用基于深度学习的基因组集群将高度血清性卵巢癌分类为临床相关的子组

科学领域:

• 计算病理学计算病理学
• 癌症基因组学 癌症基因组学
• 卵巢癌的研究研究.

背景情况:

• 高度血清性卵巢癌 (HGSC) 呈现出显著的异质性,使临床分类复杂化.
• 了解HGSC的组织形态变异对于预后分层和个性化医学至关重要.

研究的目的:

• 应用深度学习模型来根据组织形态学特征对HGSC进行分层.
• 研究不同组织学亚型和分子/代谢资料之间的关系.
• 为了将组织学亚型与患者生存结果相关联.

主要方法:

• 来自癌症基因组图谱 (TCGA) 卵巢癌数据集的整个幻灯片图像使用癌症变异组图谱 (HAVOC) 模型进行了分析.
• 主要成分分析和K-means集群将HGSC样本分类为高度差异化 (HD),中间差异化 (ID) 和低差异化 (LD) 的组.
• 对分类样本组进行了RNA测序和生存分析.

主要成果:

• 在HD,ID和LD群体中观察到明显的组织形态模式,密度和染色特征.
• RNA测序揭示了三组线粒体氧化酸化和能量代谢的差异性模式.
• 与高度差异化 (HD) 和中间差异化 (ID) 瘤相比,低差异化 (LD) HGSC瘤的整体存活率明显较差.

结论:

• 基于深度学习的组织学分析为HGSC提供了有效的分层,将其分为预后相关的组.
• 线粒体动力学和能量代谢是HGSC进展的关键因素,正如这种分层所强调的那样.
• 这项研究引入了一种新的HGSC分类计算方法,提高了预后准确度.