双层图表学习揭示了乳腺多重复合数字病理学中的预后相关瘤微环境模式
Zhenzhen Wang1,2, Cesar A Santa-Maria3,4, Aleksander S Popel1
1Department of Biomedical Engineering, Johns Hopkins University, Baltimore, MD 21218, USA.
Patterns (New York, N.Y.)
|April 4, 2025
概括
研究人员开发了一种可解释的深度学习方法来分析瘤微环境 (TME) 并识别与患者预后相关的细胞模式. 这种方法为乳腺癌提供了一个新的风险分层系统,在独立的队列中得到验证.
科学领域:
- 计算生物学是一种计算生物学.
- 癌症研究 癌症研究
- 医学中的人工智能
背景情况:
- 瘤微环境 (TME) 对癌症的进展和患者的结果至关重要.
- 深度学习方法越来越多地用于描述TME.
- 深度学习中的解释性挑战限制了可概括的生物标志物的识别.
研究的目的:
- 开发一种数据驱动和可解释的方法来识别与患者预后相关的TME细胞模式.
- 根据TME细胞模式,为乳腺癌患者创建一个风险分层系统.
主要方法:
- 构建一个双层图形模型,包括用于TME建模的细胞图形和用于患者间相似性的人口图形.
- 该方法应用于乳腺癌数据.
- 在两个独立的患者队列中验证已识别的模式.
主要成果:
- 在TME中确定了预后性细胞模式.
- 开发了一个风险分层系统,为标准临床亚型提供补充信息.
- 通过在独立队列中验证,证明了该方法的通用性.
结论:
- 拟议的可解释深度学习方法有效地识别了与患者预后相关的TME细胞模式.
- 这种方法为乳腺癌的风险分层提供了有价值的工具,在其他癌症类型中也有潜在的应用.
- 这些发现强调了TME空间细胞模式对于理解和预测患者结果的重要性.
