深度学习预测了Luminal A乳腺癌的亚型异质性和结果,使用常规染色的全幻灯片图像
Nikhil Cherian Kurian1,2, Peter H Gann3, Neeraj Kumar4
1Department of Electrical Engineering, Indian Institute of Technology-Bombay, Mumbai, India.
Cancer research communications
|December 31, 2024
概括
深度学习从常规图像中量化乳腺癌亚型混合物,揭示了与侵略性和较短无进展生存时间的关联. 这种可扩展的方法有助于研究精密瘤学的瘤内部异质性 (ITH).
科学领域:
- 病理学和计算生物学
- 基因组学和分子瘤学
- 人工智能在医学中的应用
背景情况:
- 瘤内部异质性 (ITH) 复杂化了精确瘤治疗.
- 目前用于空间定量ITH的现有方法对于人口水平研究是不可扩展的.
- 乳腺癌中的亚型添加剂可以从转录组数据中测量.
研究的目的:
- 开发和验证一个深度学习模型,从整个幻灯片图像中量化Luminal A (LumA) 乳腺癌中ITH亚型.
- 调查图像检测的亚型混合物与瘤攻击性,临床特征和患者结局之间的关联.
- 为乳腺癌ITH研究建立一个可扩展和具有成本效益的方法.
主要方法:
- 在常规染色全幻灯片图像上训练了一个深度卷积神经网络,以量化Luma乳腺癌中PAM50亚型添加剂的数量.
- 在680个TCGA-BRCA病例中利用转录组数据和矩阵因子分解来确定亚型坚持.
- 验证了模型在230个LumA分配的案例中所表现的性能.
主要成果:
- 基于图像的亚型添加剂与增加的HER2阳性,瘤大小,等级和先进的瘤结节转移阶段相关.
- 添加剂与改变的突变档案有关 (更多的TP53,更少的PIK3CA).
- 较高水平的添加剂显著预测了较短的无进展生存期.
结论:
- 深度学习可以从标准组织学图像准确量化Luma乳腺癌的亚型添加剂.
- 图像检测到的ITH具有临床意义,并与不良结果相关.
- 这种具有成本效益,可扩展的方法为ITH研究提供了有价值的工具,并可能改善精确瘤学.
