基于病理学的深度学习功能用于预测膀癌的基底和光线亚型

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:

• 膀癌 (BLCA) 呈现出显著的分子异质性,基底和光线亚型显示出明显的预后和治疗影响.
• 传统的BLCA分子亚型化方法往往是劳动密集型的,需要大量的资源.
• 用血素和素 (H&E) 染色的整片图像 (WSI) 为计算分析提供了丰富的形态数据来源.

研究的目的:

• 开发和验证用于预测BLCA基底和光线亚型的机器学习模型.
• 为了利用从H&E染色的WSIs中提取的深度学习功能来进行亚型分类.
• 评估这些模型与人类专家病理学家的性能.

主要方法:

• 从多个公共BLCA数据库 (TCGA,GEO,IMvigor210C) 汇总了RNA测序数据和临床结果.
• 使用深度学习模型在WSIs中识别瘤补丁,然后使用RetCCL模型进行特征提取.
• 逻辑回归 (LR),支向量机 (SVM) 和随机森林 (RF) 模型使用提取的特征进行了训练,用于亚型分类.
• 模型性能在内部 (TCGA) 和外部验证队列 (STPH,GD2H) 上进行了评估.

主要成果:

• 与光线BLCA患者相比,基础BLCA患者的整体存活率明显较差 (HR=1.47,P<0.001).
• 使用Resnet50选择的瘤补丁特征的LR模型实现了0.88 (内部验证) 和0.81/0.64 (外部验证) 的AUC.
• 开发的LR模型在区分基底和光线亚型方面超过了初级和高级病理学家 (AUC=0.85,精度=74%,灵敏度=66%,特异性=82%).

结论:

• 机器学习模型有效地从H&E染色的WSIs中预测BLCA基底和光线亚型.
• LR模型的高性能凸显了人工智能在提高分子亚型的诊断精度方面的潜力.
• 整合人工智能工具可以通过改善亚型分类,为BLCA患者提供个性化治疗策略.