基于mucin表型的深度学习框架,用于预测肠道代谢-癌症发生的进展
Xiaoyang Wu1,2, Fang Wang1,3, Weiyou Dai4
1Tumor Etiology and Screening Department of Cancer Institute, and Key Laboratory of Cancer Etiology and Prevention in Liaoning Education Department, the First Hospital of China Medical University, Shenyang, Liaoning, China.
NPJ precision oncology
|December 12, 2025
概括
这项研究解读了胃癌发生过程中的粘素动态,确定了胃肠代谢 (GIM) 和胃癌 (GC) 的关键标志物. 一个新的AI模型准确地从H&E图像中预测这些标记,帮助GIM风险分层.
科学领域:
- 胃肠道学和瘤学
- 计算病理学计算病理学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 胃癌发生涉及蛋白表达的动态变化.
- 区分胃肠代谢 (GIM) 对胃癌 (GC) 风险分层至关重要.
- 目前用于粘素分析的方法可能是劳动密集型的,需要专门的染色.
研究的目的:
- 在胃癌发生过程中解码时空粘素动态.
- 开发和验证一种AI模型,用于从H&E图像中预测粘素标记物.
- 将人工智能衍生的粘素信息与临床数据相结合,以改善GIM风险评估.
主要方法:
- 对胃组织样本进行分析,以追踪GIM和GC中的粘素标志物表达 (MUC5AC,MUC6,MUC2,CD10).
- 开发一个双功能UNI预训练的视觉转换器 (ViT) 模型 (MPMR) 来从H&E整片图像中预测粘素标记物.
- 将MPMR输出与临床变量集成,以创建MPMR-IMCP风险模型.
主要成果:
- 胃类型的粘素标记物 (MUC5AC/MUC6) 减少,而肠类型的粘素标记物 (MUC2/CD10) 在GIM中增加,然后在GC中下降.
- 该MPMR模型在从H&E图像中预测粘素标记物方面取得了很高的准确性 (AUC:0.921-0.997).
- 与仅临床模型相比,MPMR-IMCP风险模型显著改善了GIM风险分层 (ΔAUC = 0.050).
结论:
- 这项研究阐明了胃癌发生中的粘素动态,突出了从胃到肠表现型的过渡.
- 一个新的AI框架 (MPMR) 能够从H&E图像中准确,无污点地预测粘素标记物.
- 这种方法为表型分析和GIM风险分层提供了有效的工具,特别是在高发病率地区.
