基于深度学习的EGFR突变在肺腺癌H&E全幻灯片图像中的流行率的分析
Jun Hyeong Park1,2, June Hyuck Lim1, Seonhwa Kim1
1Department of Radiation Oncology, Ajou University School of Medicine, Suwon, Republic of Korea.
The journal of pathology. Clinical research
|October 2, 2024
概括
这项研究引入了一个深度学习模型,用于从整个幻灯片图像中预测肺腺癌中的EGFR突变. 该模型为快速查和治疗规划提供了一种具有成本效益的,可解释的方法.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物信息学是一种生物信息学.
背景情况:
- 皮表皮生长因子受体 (EGFR) 突变是肺腺癌的关键预后指标.
- 目前的EGFR突变检测方法样本密集且昂贵.
- 深度学习模型对组织病理图像分析有希望,但与瘤异质性和可解释性作斗争.
研究的目的:
- 开发一种深度学习模型,用于使用异位病理学全幻灯片图像 (WSIs) 预测EGFR突变.
- 引入和评估可解释的EGFR突变流行率 (EMP) 评分,以量化突变的存在.
- 评估模型在帮助快速查和治疗决策方面的有用性.
主要方法:
- 在868个肺腺癌患者的WSI上训练了一种深度学习模型,使用补丁掩盖调度器策略.
- 采用多实例学习来估计补丁水平的EGFR患病率,使得幻灯片级突变预测成为可能.
- 开发的EGFR突变流行率 (EMP) 评分与下一代测序 (NGS) 数据和组织病理学模式相关联.
主要成果:
- 该模型实现了0.7680的接收器操作特征曲线 (AUROC) 下面的面积和0.8391.1的精度召回曲线 (AUPRC) 下面的面积.
- 该EMP得分显示了与特定EGFR突变的显著相关性 (p.L858R:r=0.4705;exon 19删除:r=0.5918).
- 高的EMP得分与 papillary和acinar模式相关,而低的得分与肺腺癌的固体模式相关.
结论:
- 开发的深度学习模型可靠地预测了来自WSIs的EGFR突变.
- 可解释的EMP评分为EGFR突变流行率和瘤特征提供了宝贵的见解.
- 这种方法可以提高快速查,并为肺腺癌患者提供个性化治疗策略.
