混合模型用于预测结直肠癌中的微卫星不稳定性,使用血素和素染色图像和临床特征

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:

• 微卫星不稳定性 (MSI) 是结直肠癌 (CRC) 治疗决策和预后的关键生物标志物.
• 目前的MSI预测方法有局限性,缺乏普遍适用性.
• 提出了一种结合病理和临床特征的新型混合模型,用于增强MSI预测.

研究的目的:

• 开发和验证混合深度学习模型,用于预测结直肠癌中的MSI.
• 为了比较完全监督和半监督的深度学习方法的性能,用于病理图像分析.
• 在CRC中确定与MSI状态相关的潜在分子机制和生物标志物.

主要方法:

• 用两种深度学习方法 (半监督和完全监督) 来从病态图像中提取病态特征.
• 病理特征与临床数据相结合,创建了一个混合MSI预测模型.
• 该模型在独立培训,内部验证和外部测试队列 (TCGA和东阳CRC) 上得到了验证.
• 基因丰富分析 (GO,KEGG,GSEA) 和蛋白-蛋白相互作用 (PPI) 网络构建在TCGA mRNA测序数据上进行.

主要成果:

• 完全监督的病理模型实现了0.928 (内部) 和0.811 (外部) 的AUC.
• 混合模型表现出优异的性能,AUC为0.949 (验证) 和0.862 (测试队列).
• 丰富分析确定了与幽默免疫反应和类风湿性关节炎相关的途径;确定了IFNG和CD8A等关键基因.

结论:

• 完全监督的深度学习模型在MSI预测中明显优于半监督的方法.
• 综合病理和临床特征的混合模型显示了MSI在结直肠癌中的强大预测能力.
• 开发的诺米图增强了混合型患者管理模型的临床实用性.