从H&E染色的幻灯片中预测口腔癌中的HPV状态的弱监督方法

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 数字健康数字健康

背景情况:

• 人类乳头瘤病毒 (HPV) 是口腔状细胞癌 (OPSCC) 发展的组成部分.
• 准确的HPV状态对于指导OPSCC治疗策略至关重要.
• 目前的p16免疫组织化学 (IHC) 缺乏针对HPV检测的特异性.

研究的目的:

• 开发和验证一个深度学习模型,从H&E染色的OPSCC全幻灯片图像 (WSIs) 直接预测HPV状态.
• 评估模型的性能,并确定与HPV状态相关的关键形态特征.

主要方法:

• 实施一个弱监督的深度学习框架 (集群受约束的注意力多级学习 - - CLAM).
• 从TCGA和OPSCC-UNINA队伍中对123个WSI进行培训和验证.
• 使用随机森林分类器分析关注热图模型和细胞水平的形态特征.

主要成果:

• 深度学习模型专注于瘤丰富的区域,通过注意力热图显示.
• 通过分析形态特征的随机森林分类器,在细胞层面实现了高精度 (83%).
• 分类错误与模两可的p16/in situ杂交 (ISH) 结果或幻灯片质量差相关.

结论:

• 深度学习模型可以从常规的H&E染色幻灯片直接可靠地预测HPV状态.
• 这种方法有望在OPSCC中实现更高效,更经济的诊断工作流程.
• 进一步验证可以将这种方法整合到临床实践中,以改善患者管理.