在多种癌症队列中有效和可泛化地预测分子变化,使用血素和素全片图像

科学领域:

• 计算病理学计算病理学
• 基因组医学是一种基因组医学.
• 人工智能在瘤学中的应用

背景情况:

• 对癌症生物标志物的分子测试面临成本,标准化和组织可用性等挑战.
• 在常规的分子测试工作流程中,低患病率的可针对性改变往往会被忽视.
• 目前用于从组织学图像中预测DNA变化的方法通常受到单个变化特定模型的需求的限制.

研究的目的:

• 开发和评估一种多任务深度学习方法,用于同时预测直接从血素和素 (H&E) 染色的基因病理学图像中多个DNA变异.
• 克服单一变异模型的局限性,特别是对于罕见的突变,并提高分子测试优先级的效率.

主要方法:

• 训练有素的多任务深度学习模型从H&E整个幻灯片图像同时预测多个DNA改变.
• 评估模型性能与单个生物标志物特定模型以及各种数据集,包括外部和多站点的癌症基因组图谱 (TCGA) 测试集.
• 评估了衍生整张幻灯片图像嵌入的实用性,用于初始培训中不包括的下游任务.

主要成果:

• 与特定生物标志物模型相比,多任务方法显示出更高的平均性能.
• 在预测罕见突变方面观察到显著的性能增长.
• 模型在独立的时间保持区,外部染色的幻灯片和多站点TCGA数据集中显示出良好的概括能力.
• 从多任务模型中嵌入图像证明了对各种下游预测任务的有效性.

结论:

• 从H&E图像中进行多任务学习提供了一个有前途的策略,可以同时预测多个DNA改变,提高癌症诊断的效率和准确性.
• 这种方法可以有效地对样本进行分子测试,特别是识别具有罕见但可操作突变的患者.
• 开发的算法显示出临床实用性的潜力,从单个组织病理学幻灯片提供多个可操作的预测.