深度学习将局部数字病理现象类型与转录子类型和质母细胞瘤患者的结果联系起来

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 大脑癌症研究研究大脑癌症研究

背景情况:

• 质母细胞瘤表现出显著的组织学变异性,与患者预后的相关性很差.
• 存在分子亚型,其中介质瘤与更糟糕的结果和增加的免疫透有关.
• 数字病理学和深度学习为分析复杂的癌症数据提供了新的途径.

研究的目的:

• 开发和验证一种深度学习模型,用于使用H&E幻灯片绘制质母细胞瘤分子亚型的地图.
• 识别与特定分子亚型和患者预后相关的组织学特征.
• 通过人工智能驱动的图像分析来探索质母细胞瘤中的基因型-表型相关性.

主要方法:

• 在数字H&E幻灯片上应用Xception卷积神经网络.
• 在发现集 (276个案例) 和独立队列 (178个案例) 上进行培训和验证.
• 对映射的亚型,生存数据和组织学特征之间的相关性进行分析.

主要成果:

• 在绘制分子亚型 (AUC为0.84,0.81,0.71的经典,介质细胞,proneural) 中实现了高精度.
• 准确识别与患者结果较差相关的区域.
• 结果较差的区域的特征是瘤细胞密度较高,表型变异性增加,T细胞透率降低.

结论:

• 经过修改的卷积神经网络可以准确地绘制质母细胞瘤转录子类型,并从数字幻灯片中预测结果.
• 人工智能支持的图像挖掘与理解脑癌异质性有关.
• 这种方法弥合了组织学,分子亚型和质母细胞瘤的临床预后之间的差距.