深度学习用于子宫内膜癌的亚型和预测瘤突变负担从基因病理幻灯片
Ching-Wei Wang1, Nabila Puspita Firdi2, Yu-Ching Lee2
1Graduate Institute of Biomedical Engineering, National Taiwan University of Science and Technology, Taipei, Taiwan. cweiwang@mail.ntust.edu.tw.
NPJ precision oncology
|December 21, 2024
概括
一个新的深度学习框架,TR-MAMIL,预测瘤突变负担 (TMB),并从H&E染色的幻灯片中分类子宫内膜癌 (EC) 亚型. 这有助于推进个性化免疫疗法和患者预后.
科学领域:
- 计算病理学计算病理学
- 在瘤学瘤学.
- 医学中的人工智能.
背景情况:
- 子宫内膜癌 (EC) 诊断传统上使用形态学和等级.
- 个性化治疗需要了解瘤突变负担 (TMB),这是免疫治疗的生物标志物.
- 目前的TMB预测方法昂贵,临床上无法使用.
研究的目的:
- 开发一个深度学习框架 (TR-MAMIL) 来从H&E染色全片图像 (WSI) 预测TMB状态和EC亚型.
- 为了实现个性化免疫疗法规划和完善EC患者的预后评估.
主要方法:
- 开发了TR-MAMIL深度学习框架.
- 使用H&E染色的WSIs进行分析.
- 从癌症基因组图谱 (The Cancer Genome Atlas) 的一个大数据集上评估模型.
- 与七种最先进的方法进行性能比较.
主要成果:
- TR-MAMIL准确地预测了TMB状态,并对EC亚型进行了分类,其性能优于现有的方法.
- 该框架成功地分类了攻击性与非攻击性的EC.
- TR-MAMIL 在分类p53突变方面表现出熟练.
- 卡普兰-梅尔分析证实TR-MAMIL能够预测侵袭性EC患者的更长生存时间.
结论:
- TR-MAMIL提供了一种具有成本效益和可访问的方法,用于TMB预测和来自WSIs的EC亚型化.
- 这一框架有可能显著改善个性化免疫疗法策略和子宫内膜癌的预后准确性.
