深度多实例学习模型用于预测手术后胰腺癌的结果
Caroline Truntzer1,2, Dina Ouahbi1, Titouan Huppé1
1Cancer Biology Transfer Platform, Georges-François Leclerc Cancer Centre-Unicancer, F-21000 Dijon, France.
Biomedicines
|January 8, 2025
概括
分析H&E幻灯片的深度学习模型可以预测胰腺管道腺癌 (PDAC) 患者的结果. 这种方法确定了不同的预后组,有助于对PDAC癌症进行个性化辅助治疗决策.
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:
- 胰腺管腺癌 (PDAC) 的预后不佳,治疗决策仅依赖于临床变量.
- 预测PDAC患者的结果仍然具有挑战性,需要新的预后工具.
- 目前的方法缺乏细粒度,无法充分告知辅助疗法选择.
研究的目的:
- 开发一种使用H&E/HES全幻灯片图像的深度学习模型,用于预测PDAC患者的预后.
- 将深度学习衍生的预后组与已确定的分子亚型进行比较.
- 研究这些已识别的群体的生物学意义和转录基因组/基因组特征.
主要方法:
- 使用了回顾性队列 (n=206) 进行培训和癌症基因组图谱 (TCGA) PDAC队列 (n=166) 进行验证.
- 采用基于注意力的多实例学习生存模型来预测患者的复发.
- 分析了RNAseq和exome数据,以表征与深度学习分类相关的转录和基因组特征.
主要成果:
- 在训练 (HR=0.72) 和验证 (HR=0.63) 两组中,确定了两个不同的患者预后组,在无进展生存期 (PFS) 中存在显著差异.
- 预后不佳的组与基于转录和基因组分析的状表型有显著的关联.
- 深度学习模型在独立队列中预测结果方面表现强.
结论:
- 对H&E/HES全幻灯片图像应用的深度学习是预测PDAC预后的可行工具.
- 这种方法可以将患者分为不同的预后组,从而有可能改善辅助治疗选择.
- 这些发现突出了PDAC预后的生物学基础以及计算病理学的实用性.
