整合基因病理图像特征和多维奥米克数据来预测质母细胞瘤中的分子特征和生存率

科学领域:

• 计算病理学计算病理学
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 质母细胞瘤 (GBM) 是一种复杂的,高度恶性脑瘤.
• 组织病理学图像提供了关键的瘤形态见解.
• GBM 的分子机制是复杂的,需要先进的分析.

研究的目的:

• 评估定量基因病理图像特征 (HIF) 对GBM分子特征和整体存活率 (OS) 的预测潜力.
• 将HIF与多omics数据集成,以提高GBM预后.
• 评估综合模型的临床适用性,以提高准确性和可靠性.

主要方法:

• 从癌症基因组图谱 (TCGA) 中的439名GBM患者的组织病理图像中提取了550个HIF.
• 使用机器学习 (ML),包括随机森林 (RF),用于操作系统和分子特征的预测建模.
• 使用外部组织微阵列队列 (n=67) 验证的预后模型,并通过WGCNA确定了与预后相关的基因模块.

主要成果:

• 基于射频的OS预测模型实现了0.829.9的5年AUC.
• 集成的多omics模型,将HIF与基因组学,转录组学和蛋白质组学结合起来,展示了卓越的性能.
• 多omics模型产生了最好的预测:1年,3年和5年的AUC分别为0.820,0.926和0.878.

结论:

• 定量组织病理图像特征在GBM中具有预后价值.
• 将HIF与多omics数据集成,大大提高了GBM的预后预测准确性和稳定性.
• 这种综合方法在GBM患者管理中为临床应用提供了有前途的潜力.