来自H&E图像的整合深度学习揭示了膀癌中预后明显的基于病理的亚型
Huanhui Li1, Fazhong Dai1, Yongqiang Zhang2,1
1Department of Urology, The Affiliated Guangdong Second Provincial General Hospital of Jinan University, Guangzhou 510317, China.
Current cancer drug targets
|November 21, 2025
概括
这项研究在常规的H&E幻灯片上使用深度学习开发了基于病理的膀癌 (BCa) 亚型,为分子分析提供了具有成本效益的替代方案. 这些亚型具有预后信息性,并与RNA定义生物学保持一致,以改善患者分层.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 数字病理学数字病理学
背景情况:
- 膀癌 (BCa) 的分子亚型对治疗至关重要,但通常依赖于复杂的RNA分析.
- 使用常规可用的H&E染色全幻灯片图像 (WSIs) 开发基于病理学的亚型提供了更容易获得的方法.
研究的目的:
- 根据从H&E染色的WSIs中提取的深度学习特征创建新的膀癌 (BCa) 亚型.
- 根据临床结果和分子数据验证这些基于病理学的亚型.
- 为传统的分子分析提供一种可解释且具有成本效益的替代方案.
主要方法:
- 使用Resnet50深度学习模型从H&E染色的WSIs中提取特征.
- 权重基因共同表达网络分析 (WGCNA),考克斯回归和K-means集群被用来定义亚型.
- 外部验证使用来自多个中心的WSIs和转录数据进行;Grad-CAM用于可解释性.
主要成果:
- 确定了四种不同的膀癌 (BCa) 亚型,临床结果有显著差异.
- 亚型表现出不同的分子形状,其中一些为特定途径 (例如,FGFR3,EGFR) 进行丰富,而另一些具有更高的免疫/肌分数.
- 深度学习功能和Grad-CAM分析为子类型特定的核形态提供了可解释的见解.
结论:
- 一种新的,基于病理的膀癌 (BCa) 亚型化方法是使用H&E WSIs的深度学习开发的.
- 这种方法是便携式的,具有预后信息性,并且与RNA定义生物学保持一致.
- 它为个性化治疗提供了一种具有成本效益和可访问性的替代方案,并改善了膀癌护理中的患者分层.
