基于H&E发现和机器学习病理学的胃癌的预后预测

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 生物信息学是一种生物信息学.

背景情况:

• 胃癌的预后依赖于准确的预测标记.
• 来自H&E幻灯片的组织病理特征为分析提供了丰富的数据.
• 机器学习和病理学可以从病理图像中提取复杂的模式.

研究的目的:

• 利用基于H&E的病理学和机器学习开发胃癌存活率的预测模型.
• 评估病理特征与免疫细胞透之间的相关性.
• 为了确定胃癌的新预后指标.

主要方法:

• 利用了443例TCGA病例的转录组,病理图像和临床数据.
• 采用Otsu算法进行图像分割和PyRadiomics用于特征提取.
• 开发了一个渐变增强机 (GBM) 模型,使用mRMR-RFE选定的特征,通过AUC,校准和决策曲线进行验证.

主要成果:

• 激活的CD4记忆T细胞的透增加显著与改善的整体存活率相关 (HR=0.505,P<0.001).
• 病态模型在培训和验证队列中实现了高预测准确性,AUC值为0.844和0.750.
• 病理学分数 (PS) 被确定为总生存时间的重要保护因素 (HR=0.506,P=0.002).

结论:

• 基于H&E的病态模型准确地预测了胃癌中激活的CD4记忆T细胞透.
• 综合生物信息学分析揭示了潜在的基因预后的分子机制.
• 这种方法为精确的胃癌患者分层和个性化治疗提供了新的预后指标.