DuXplore:一个双层级的深度学习模型,用于数字病理学中的肝细胞癌的预后预测

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:

• 瘤组织的空间异质性会影响患者的预后.
• 整个幻灯片图像 (WSI) 包含丰富的结构和语义信息,对于癌症分析至关重要.
• 通过整合各种基于图像的特征,可以改善肝细胞癌 (HCC) 的预后.

研究的目的:

• 开发一个双分支深度学习框架 (DuXplore) 用于HCC预后.
• 来自WSIs的宏观组织架构和微观细胞形态的整合.
• 为预后预测提供生物学上可信的解释.

主要方法:

• DuXplore使用双分支方法:用于组织组织的宏网 (MTOP) 和用于细胞形态的微网 (FST引导的补丁).
• 两个分支机构的预测嵌入被合并为基于Cox比例危险的风险预测.
• 模型不可知解释性方法 (OSM,核形态测量) 用于分析特征贡献.

主要成果:

• 杜克斯普洛尔实现了高性能 (TCGA上的C指数为0.764,EHBH上的0.713) 与显著的风险分层 (日志排名p<0.001).
• 解释性分析确定了和中央纤维化为高风险,边缘纤维化为保护性.
• 高风险显示核染色强度增加,纹理不规则,形态异质.

结论:

• DuXplore有效地整合了结构微采样和宏架构编码,以进行强大的HCC生存预测.
• 该框架提供了可概括的预测和生物可解释的见解.
• 进一步的多中心,多omics研究被推用于临床翻译.