可解释的人工智能用于从鼻息肉组织学预测炎症特征和空间分子异质性
Kanghua Wang1, Yong Ren2, Ling Ma3
1Department of Otolaryngology, the Seventh Affiliated Hospital of Sun Yat-sen University, Shenzhen 518107, China.
The Journal of allergy and clinical immunology
|September 3, 2025
概括
这项研究介绍了HE2Signature,这是一种AI模型,可以从组织学图像中预测慢性鼻炎 (CRSwNP) 的炎症基因特征. 这使得CRSwNP患者能够精确,以内型为指导的治疗.
科学领域:
- 在病理学中的人工智能
- 计算生物学
- 精准医学
背景情况:
- 长期鼻炎 (CRSwNP) 是一种复杂的疾病,具有多种炎症特征.
- 准确识别CRSwNP内型对于有效治疗至关重要.
研究的目的:
- 使用组织学图像开发深度学习模型,预测CRSwNP中的炎症基因特征和空间模式.
- 验证该模型识别不同CRSwNP内型的能力.
主要方法:
- 开发了HE2Signature,这是一个基于H&E染色鼻息肉WSIs和转录组数据的深度学习模型.
- 在多个医疗中心内部 (n=30) 和外部 (n=224) 验证该模型.
- 使用相关性,混矩阵,ROC曲线和免疫组织化学方法进行空间验证.
主要成果:
- HE2签名精确预测了28/33签名基因的表达.
- 该模型成功地将患者分为高AUC值 (0. 833- 0. 935) 的T1,T2和T3内型.
- 预测的基因表达与临床评分和乙酸细胞计数相关,特别是在亚皮质区域.
结论:
- 介绍了第一个可解释的基于组织学的深度学习模型,用于预测CRSwNP炎症特征和空间异质性.
- 人工智能驱动的组织病理学可以生成数字生物标志物,将组织模式与分子概况联系起来,以进行内型导向的CRSwNP管理.
- 这种方法支持在临床实践中以成本效益快速识别CRSwNP内型.
