无注释的深度学习用于从急性髓性白血病的整个幻灯片图像中预测基因突变
Bo-Han Wei1,2, Xavier Cheng-Hong Tsai3,4,5, Kuo-Jui Sun3,6,7
1Center for Advanced Computing and Imaging in Biomedicine, National Taiwan University, No. 1, Sec. 4, Roosevelt Rd., Taipei, 10617, Taiwan.
NPJ precision oncology
|February 3, 2025
概括
这项研究引入了一种深度学习模型,用于预测急性髓性白血病 (AML) 整片图像 (WSI) 的基因突变. 该模型在没有手册注释的情况下准确识别NPM1和FLT3-ITD突变,显示出临床潜力.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医学图像分析
- 基因组学就是基因组学.
背景情况:
- 深度学习推进了医疗图像分析,包括整个幻灯片图像 (WSIs).
- 在急性髓性白血病 (AML) 中预测WSI的基因突变面临着图像分辨率和手动注释要求的挑战.
- 现有的方法与AMLWSIs的复杂性作斗争,以准确的基因突变特征.
研究的目的:
- 开发和验证一个深度学习模型,直接从AMLWSIs预测基因突变.
- 为了克服AML WSI分析中手册注释的局限性.
- 评估模型在识别NPM1和FLT3-ITD突变方面的表现.
主要方法:
- 开发了一个深度学习模型,利用组合技术的多实例学习 (MIL).
- 该模型分析了572个AMLWSI,这是与遗传突变数据相关的最大数据集.
- 对NPM1和FLT3-ITD突变的预测是在不需要补丁级或细胞级注释的情况下进行的.
主要成果:
- 该模型在测试队列中实现了NPM1突变预测的AUC值为0.90±0.08和FLT3-ITD突变预测的AUC值为0.80±0.10.
- 该研究确定了爆炸比例作为WSIs中基因突变状态的关键指标.
- 在突变和标准WSIs之间观察到爆炸比例的显著变化.
结论:
- 拟议的深度学习模型在预测来自WSIs的AML关键基因突变方面表现出高准确性.
- 这些发现突显了分析WSIs在AML中进行非侵入性遗传突变检测的潜力.
- 该模型在没有人工注释的情况下预测突变的能力为临床应用提供了重大进展.
