一个深度学习框架 整合瘤微环境特征 准确预测肺癌病理学的多个驱动基因突变 图片

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 基因组学就是基因组学.

背景情况:

• 深度学习 (DL) 显示了预测肺癌基因突变的前景.
• 目前的DL方法在识别驱动突变亚型或外来变异时往往缺乏精度,限制了针对性治疗的临床转化.

研究的目的:

• 开发一个先进的DL框架,以精确地预测肺癌中的驱动突变和瘤突变负担 (TMB),使用组织病理学图像.
• 整合瘤微环境 (TME) 功能,以提高突变预测的准确性.

主要方法:

• 汇集了2573名肺癌患者的大型多中心数据集,并配对了病理图像和下一代测序数据.
• 开发了NAVF-Bio,这是一个自适应的多视图功能融合框架,使用多实例学习来整合全幻灯片图像 (WSI) 的TME功能.
• 与11种最先进的DL方法对比NAVF-Bio用于预测驱动突变 (TP53,EGFR,KRAS,ALK) 和TMB状态.

主要成果:

• 在预测驱动器突变和TMB状态方面,NAVF-Bio显著优于现有的DL模型,在外部验证中显示出临床相关的性能.
• 该框架准确地预测了在不同中心的突变驱动基因外型.
• 解释性分析证实NAVF-Bio能够识别病理相关的瘤特征.

结论:

• NAVF-Bio提供了一种强大的方法来预测肺癌驱动基因突变和WSI的TMB,模仿病理学家的工作流程.
• 这种工具可以促进驱动基因突变查,潜在地指导肺癌患者的向治疗选择.
• 开发的多基因突变预测平台有助于个性化治疗策略.