深度学习驱动的全幻灯片图像分析预测肌肉侵入性膀癌的化疗耐药性和运动性亚型
Il-San Jeong1,2,3, Jee-Woo Seo2,3, Seung-Jin Park2
1Division of Bio & Medical Bigdata Department (Brain Korea 21 Four), Gyeongsang National University, 52828, Jinju, Republic of Korea.
Genes & genomics
|September 4, 2025
概括
在整片图像 (WSIs) 上进行深度学习可以预测肌肉侵入性膀癌 (MIBC) 的化学抵抗亚型. 这种具有成本效益的方法分析组织学以确定亚型,有助于精确瘤学的患者分层.
科学领域:
- 数字病理学
- 计算瘤学
- 癌症基因组学
背景情况:
- 肌肉侵入性膀癌 (MIBC) 是具有攻击性和异质性的,治疗反应具有变化性.
- 分子分类如化学阻力-运动性 (CrM) 签名是有价值的,但成本高且组织密集.
- 需要替代,可扩展的临床应用方法.
研究的目的:
- 评估整个幻灯片图像 (WSI) 的深度学习是否可以预测MIBC中的CrM亚型.
- 确定基于WSI的深度学习是否反映了瘤微环境 (TME) 的特征.
- 在MIBC中探索一个具有成本效益的分子分析替代品.
主要方法:
- 从152名TCGA-BLCA患者中分析了192个WSI.
- 使用预训练的深度学习模型 (densenet169-kather100k) 进行贴片级组织分类.
- 导出了SAM与DNT的比率, 并训练了一种随机森林模型来预测CRM亚型.
主要成果:
- 由WSI衍生的SAM与DNT比率与CrM得分 (R=0.453) 和TME得分呈正相关性.
- 随机森林模型在CrM亚型的分类中实现了0.75平衡的准确性.
- 脂肪 (ADI) 和瘤上皮 (TUM) 是CrM状态的关键预测特征.
结论:
- 常规WSI的深度学习为MIBC提供了一个实用的,低成本的替代方案.
- 这种基于WSI的方法有效地捕获与化学抵抗相关的转录组亚型.
- 使患者分层并支持未来的多模式精确瘤学.


