HLIP:在临床研究中使用TCGA进行组织图像分析的泛癌症模型

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字病理学数字病理学

背景情况:

• 整体幻灯片成像 (WSI) 提供高分辨率的组织病理学,用于预测临床结果.
• 目前的方法往往缺乏泛癌分析,过度简化临床数据,并且可能会通过向下采样失去细胞细节.

研究的目的:

• 开发一种先进的AI模型,用于跨不同癌症类型的综合组织学-临床关联.
• 克服WSI分析中现有方法的局限性,以预测临床结果.

主要方法:

• 在32种瘤类型 (TCGA数据库) 中收集了大约18K个WSI和12个临床特征,来自13K名患者.
• 开发了基因组学语言图像预训 (HLIP),一种基于变压器的模型,使用对比学习对190K基因组学临床特征对.
• 利用来自WSIs的512x512补丁与模型训练的临床特征配对.

主要成果:

• 在外部数据集上,HLIP实现了高零射击分类性能 (F1@10: 0.886,F1@50: 0.856,F1@100: 0.915).
• 与竞争型号相比,表现出优越的概括能力.
• 实现了组织学和临床特征之间的双向检索,并确定了高恶性区域.

结论:

• 在癌症研究中,HLIP代表了整合组织学和临床数据的重大进步.
• 该模型显示出在病理学和瘤学中临床应用的巨大潜力.
• HLIP执行泛癌分析和保留细胞细节的能力提高了预测准确度.