基于机器学习的病理学模型预测了肝细胞癌的angiopoietin-2表达和预后

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:

• ангиопоетин-2 (ANGPT2) 是一个有前途的预后标志物和肝细胞癌 (HCC) 的治疗标.
• 通过肉眼组织病理学评估ANGPT2表达和预后价值具有挑战性.
• 机器学习提供了一种新的方法来分析细胞病理学,以获得分子洞察力.

研究的目的:

• 开发和验证一种使用机器学习的病理学模型,以预测ANGPT2表达和HCC的预后.
• 评估病理学衍生得分和患者生存结果之间的相关性.
• 探索与ANGPT2状态相关的生物途径和免疫微环境差异.

主要方法:

• 在癌症基因组图谱 (TCGA-HCC) 队列 (n=267) 的基因病学特征上训练了一种渐变增强机器模型.
• 该模型生成了病理学分数来预测ANGPT2表达和存活率.
• 使用独立的单中心队列 (n=91) 进行了验证.
• 生物信息学分析研究了基因表达和免疫细胞透.

主要成果:

• 在TCGA-HCC队列中,高的ANGPT2表达与明显较低的整体存活率相关.
• 病理学得分准确地预测了在训练,测试和验证数据集中的ANGPT2表达.
• 病理学得分显示,TCGA-HCC和验证队列中,总生存期的风险分层显著.
• 在高和低病理学分数组之间观察到明显的基因丰富通路,VEGF相关的基因表达和免疫细胞透模式.

结论:

• 通过机器学习分析的组织病理学图像特征,可以有效地预测HCC中的分子状态和预后.
• 开发的病理学得分作为HCC的强大,独立的预后预测器.
• 将基于图像的病理学与机器学习相结合,有可能改善HCC诊断预测和指导治疗策略.