通过深度学习,通过使用常规的血素-素染色组织幻灯片,预测皮膜黑色素瘤的分子子类
Farhan Akram1, Daniël P de Bruyn2,3,4, Quincy C C van den Bosch2,3,4
1Department of Pathology and Clinical Bioinformatics, Erasmus MC Rotterdam, Rotterdam, the Netherlands.
Histopathology
|July 2, 2024
概括
深度学习模型可以从标准的HE染色幻灯片中预测阴道黑色素瘤分子子类,为患者预后提供了基因测试的潜在替代方案. 这种人工智能方法在识别与特定突变相关的独特基因病理特征方面表现出有希望.
科学领域:
- 眼科医生 眼科 眼科
- 计算病理学计算病理学
- 在瘤学瘤学.
背景情况:
- 卵巢黑色素瘤 (UM) 是一种具有高转移潜力的眼内恶性瘤.
- 预后受到驱动器突变和拷贝数变异的影响,通常需要分子测试.
- 准确的预后对于指导患者管理和治疗策略至关重要.
研究的目的:
- 为了评估深度学习 (DL) 模型在预测UM分子子类中的有效性,使用常规的血素和素 (HE) 染色的幻灯片.
- 为了比较基于DL的预测与传统分子测试的性能.
- 探讨在预测UM子类中的基因病理特征的潜力.
主要方法:
- 对113名UM患者进行了回顾性分析,这些患者有可用于分子分类的瘤组织.
- 获得和注释HE染色幻灯片的全幻灯片图像 (WSI).
- 三个DL模型 (EfficientNet,Vision Transformer,Swin Transformer) 进行了训练和验证,Swin Transformer被选为表现最佳的模型.
主要成果:
- 斯温变压器DL模型在验证队列中达到0.83 ± 0.09,在测试队列中达到0.75 ± 0.04的准确度,用于预测分子子类 (BAP1,SF3B1,EIF1AX).
- 该模型在测试组中正确识别了70%的BAP1突变,61%的SF3B1突变和80%的EIF1AX突变的UM病例.
- 独特的组织病理特征,特别是上皮状细胞形态,与BAP1突变的UM相关.
结论:
- 深度学习方法显示了直接从HE染色的WSI预测UM分子子类的巨大潜力.
- 这种人工智能驱动的方法可能为UM预后提供了分子或免疫组织化学测试的非侵入性替代方案.
- 需要进一步的研究,以阐明区分EIF1AX和SF3B1亚类的未知组织病理特征.
