DeepTFtyper:一种可解释的形态感知图形神经网络,用于将组织病理图像转化为小细胞肺癌中的分子亚型
Xin Li1, Fan Yang2, Yibo Zhang1
1Institute of Genomic Medicine, School of Biomedical Engineering, Wenzhou Medical University, Wenzhou 325027, PR China.
Briefings in bioinformatics
|June 20, 2025
概括
深度学习模型DeepTFtyper从组织学幻灯片上对小细胞肺癌 (SCLC) 的分子亚型进行了分类. 该工具通过克服传统分子测试的局限性,有助于针对激进性SCLC进行个性化治疗.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能的人工智能
背景情况:
- 小细胞肺癌 (SCLC) 是一种具有不良预后的侵袭性神经内分泌癌.
- SCLC的分子亚型 (SCLC-A, -N, -P, -Y) 提供了治疗指导,但由于样本稀缺和复杂的测试,它面临临临床限制.
- 目前用于SCLC分子亚型的诊断方法资源密集且耗时.
研究的目的:
- 开发和验证DeepTFtyper,一个基于图形神经网络的新型深度学习模型.
- 为了使SCLC分子亚型的自动分类直接从常规的血素和素 (H&E) 染色的整片图像.
- 为SCLC分类提供可扩展和准确的工具,以改善患者管理.
主要方法:
- 一个图形神经网络 (GNN) 深度学习模型的开发,DeepTFtyper.
- 在中国医学科学院癌症医院的389名SCLC患者队列中进行了培训和4倍交叉验证.
- 使用免疫组织化学 (IHC) 进行数字H分数与基于IHC的H分数的分子亚型和相关性分析的性能评估.
主要成果:
- DeepTFtyper实现了高性能,在所有四种SCLC分子亚型中,接收器运行特征曲线 (AUC) 下的面积高于0.70.
- 来自DeepTFtyper的预测数字H分数与基于IHC的H分数有显著的相关性.
- 补丁级可视化识别了与转录因子表达和形态特征相关的可解释和可概括的特征.
结论:
- DeepTFtyper是第一个用于从H&E组织学幻灯片中预测SCLC分子亚型的深度学习框架.
- 该模型为SCLC亚型化提供了一个可扩展,准确和临床相关的方法.
- 这项技术有可能增强患者管理,并指导SCLC个性化治疗决策.
