预测NSCLC手术结果使用对病原体图像的深度学习: Sr-PPS模型的开发和多omics验证

科学领域:

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

背景情况:

• 对术后结果的准确预测对于非小细胞肺癌 (NSCLC) 患者管理至关重要.
• 现有的工具缺乏临床实践所需的可靠性.

研究的目的:

• 开发和验证一个深度学习模型,用于预测NSCLC患者的术后结果,使用组织病理学幻灯片.
• 确定治疗反应的基础分子机制.

主要方法:

• 一个深度学习模型 (Res2Net架构) 是使用337名局部NSCLC患者的组织病理幻灯片和临床数据开发的.
• 该模型被称为外科预后预测得分 (Sr-PPS),在来自癌症基因组图谱 (TCGA) 的554名NSCLC患者的独立队列上得到了验证.
• 使用多变量考克斯回归和基因组分析.

主要成果:

• 该Sr-PPS模型显著提高了在NSCLC患者中无疾病生存期 (DFS) 和整体生存期 (OS) 的预测准确性.
• Sr-PPS被验证为术后结果的独立预测因子.
• 较低的Sr-PPS得分与增强的抗瘤免疫力和抑制的瘤性途径相关,包括胰岛素样生长因子受体信号和STAT蛋白酸化.
• 基因组分析显示,Sr-PPS与CTNND2,PRRX1和ALK中的突变之间存在关联.

结论:

• 基于深度学习的Sr-PPS模型为NSCLC患者提供了强大的术后预测结果.
• 该模型提供了对分子机制的洞察,促进了个性化治疗策略.
• Sr-PPS 作为一个有价值的框架,用于为量身定制的疗法分层 NSCLC 患者.