在结直肠癌中使用深度学习进行瘤纯度评估,并对分子分析的影响

科学领域:

• 计算病理学计算病理学
• 生物信息学是一种生物信息学.
• 在瘤学瘤学.

背景情况:

• 瘤纯度估计 (TPE) 对于生物信息学分析诸如副本数变异 (CNV) 等分子资料至关重要.
• 目前的TPE方法,包括常规病理学 (CP) 和分子解卷,在可复制性,标准化和准确性方面存在局限性.
• 需要对TPE进行创新方法,这些方法对于临床应用是可靠和准确的.

研究的目的:

• 评估SoftCTM的实用性和准确性,这是一个深度学习 (DL) 模型,用于结直肠癌 (CRC) 的TPE.
• 通过SoftCTM比较TPE与传统病理学 (CP) 和生物信息学解卷方法 (RNA表达,DNA甲基化).
• 评估不同TPE方法对下游分子分析的影响,特别是CNV分析.

主要方法:

• 软CTM是一个开源DL模型,用于检测H&E染色的幻灯片中的瘤和非瘤细胞.
• 分析了三个大型,多中心的CRC队列 (N=1,097),其中包括数字病理和多原子数据.
• 来自SoftCTM的TPE与CP和解卷方法 (RNA表达,DNA甲基化) 进行了比较,以求对CNV调用的相关性和影响.

主要成果:

• 软CTM表现出高的技术重复性 (r=1.0) 和与配对的H&E幻灯片 (r>0.9) 的良好相关性.
• 与CP相比,SoftCTM衍生TPE与RNA表达 (r=0.59) 和DNA甲基化 (r=0.40) 的相关性较高 (分别为r=0.41和r=0.29).
• 与SoftCTM相比,CP和解卷方法导致CNV调用因低估或高估瘤含量而有6-13%的差异.

结论:

• 使用SoftCTM的TPE在单细胞分辨率下提供可复制性,自动化和标准化.
• 软CTM估计为瘤含量提供了更可靠的测量方法,通过分子推算调和过高估计和低估通过CP.
• 将SoftCTM集成到计算病理学工作流中可以显著改善下游分子分析,无论是研究还是临床环境.