深度学习用于从组织学图像预测宫癌的预后共识分子亚型

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 数字病理学数字病理学

背景情况:

• 宫癌是女性的重要全球健康问题.
• 准确的子类型的宫平细胞癌 (CSCC) 对于预后和治疗至关重要.
• 现有的分类方法可能缺乏可访问性或需要复杂的分子分析.

研究的目的:

• 开发和验证一个端到端的深度学习框架,用于预测HPV阳性CSCC中的共识分子亚型 (CMS).
• 用组织学幻灯片评估开发的数字CMS得分的预后价值.
• 研究CMS亚型之间的瘤微环境 (TME) 差异及其与预后的相关性.

主要方法:

• 利用一个端到端的深度学习框架,应用于来自三个CSCC群体 (n=545) 的H&E染色完整幻灯片图像 (WSIs).
• 开发了一个基于深度学习预测的数字-CMS评分系统.
• 进行了广泛的瘤微环境分析,包括淋巴细胞和中性粒细胞的存在,以及核形.

主要成果:

• 数字-CMS通过在多个队伍中根据疾病特异性和无疾病生存率显著分层的患者得分.
• 鉴定了CMS亚型的特异性TME特征:CMS-C1显示了淋巴细胞的增加,而CMS-C2表现出高核形,中性粒细胞与淋巴细胞的比率升高,以及更高的恶性瘤.
• 这些TME差异与患者的预后相关,突出了潜在的治疗点.

结论:

• 从常规的H&E幻灯片中获得的新的Digital-CMS得分为CSCC亚型和预后提供了临床上有利的工具.
• 这项研究为与不同CMS亚型和患者结果相关的TME特征提供了新的见解.
• 确定了在临床实践中可以作为CMS亚型的替代标记物的组织学模式.