基于机器学习的病理学模型来预测清细胞细胞癌的预后
Xiangyun Li1, Xiaoqun Yang1, Xianwei Yang1
1Department of Pathology, Shanghai Ruijin Hospital, Shanghai Jiaotong University School of Medicine, Shanghai, China.
Technology in cancer research & treatment
|December 20, 2024
概括
这项研究开发了一种机器学习病理学模型,用于预测清细胞细胞癌 (ccRCC) 患者的整体存活率. 该模型确定了与更差的生存率相关的亚型,突出显示了免疫基因和信号通路,以便进一步研究.
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:
- 清细胞细胞癌 (ccRCC) 由于其高致死率和低生存率而构成重大挑战.
- 综合计算机视觉和机器学习的Pathomics为改善ccRCC分类,预后和治疗提供了一个有前途的途径.
- 预测ccRCC患者的整体存活率 (OS) 对于有效的临床管理至关重要.
研究的目的:
- 开发和验证一种新的病理学模型,用于预测清细胞细胞癌 (ccRCC) 患者的整体存活率 (OS).
- 根据病理特征识别不同的患者亚型,并调查它们与临床结果的关联.
- 探索与ccRCC亚型相关的潜在生物机制,包括基因表达,免疫透和突变特征.
主要方法:
- 利用癌症基因组图谱 (TCGA) 数据库对ccRCC患者数据,包括H&E染色的幻灯片和临床信息.
- 使用PyRadiomics从H&E幻灯片中提取了368个病理特征,并使用非负矩阵分解 (NMF) 算法构建了一个模型.
- 使用卡普兰-梅尔 (KM) 生存曲线和考克斯回归评估模型性能;进行差异基因表达,基因本体学 (GO) 丰富,免疫透和突变分析.
主要成果:
- 一个病理学模型确定了两种ccRCC亚型 (集群1和集群2),集群2与较差的整体存活率 (OS) 有关.
- 确定了76个亚型之间的差异性表达基因,富含细胞外矩阵组织和结构.
- 在集群2中观察到免疫相关基因 (CTLA4,CD80,TIGIT) 的高表达,在VHL,PBRM1和PI3K-Akt,HIF-1,MAPK通路中观察到高突变率 (>40%).
结论:
- 基于机器学习的病理学模型有效地预测OS并区分ccRCC亚型.
- 这项研究强调了CTLA4等免疫相关基因和关键信号通路 (PI3K-Akt,HIF-1,MAPK) 的预后意义.
- 这些发现为推进ccRCC分子机制,诊断和治疗策略提供了宝贵的见解.
