壹生资讯-研究速递丨基于组织病理学图像的深度学习预测小细胞肺癌的预后和治疗反应

您已通过HCP身份认证和信息审核

(

研究速递丨基于组织病理学图像的深度学习预测小细胞肺癌的预后和治疗反应

2024-10-27作者：论坛报岳岳资讯

非原创

小细胞肺癌（SCLC）是高侵袭性肺癌，准确预测预后和治疗反应对优化策略和改善患者预后至关重要。如何借助人工智能深度学习充分挖掘存档病理切片资源进行肿瘤生物学行为探究成为重要的临床课题。中国医学科学院肿瘤医院病理科杨琳教授、北京大学肿瘤医院病理科林冬梅教授、温州医科大学周猛教授等多团队协作，基于常规组织病理学图像深度学习，预测SCLC预后及治疗反应。研究成果题为 “Histopathology images-based deep learning prediction of prognosis and therapeutic response in small cell lung cancer”，发表于Q1期刊《NPJ Digit Med》。

研究者对苏木精-伊红（H&E）染色的组织病理数字图像进行了深度学习分析，采用对比聚类方法，识别出50个复杂的组织形态学表型簇（HPCs）作为病理特征，并发现其中两个HPCs具有显著的预后价值。基于识别出的预后特征，研究者开发了一个病理特征签名（PathoSig）进行生存风险分层。PathoSig在两个未参与模型训练的独立队列中也得到了验证，显示出良好的预后风险分层能力。在控制了其他临床病理变量后，PathoSig仍然显示具有独立预后预测的重要价值。即便是在具有高度病理异质性的复合型SCLC验证队列中，PathoSig对预后预测的效能也具有较好的鲁棒性。

本研究的重要进步在于PathoSig能在不同临床分期内（I/II期 vs III/IV期）进一步区分出SCLC患者的预后。Kaplan-Meier生存分析显示，PathoSig可以将患者分为高、中、低风险组，各组间在总生存（OS）和无病生存（DFS）上存在显著差异。另外，本研究还探究了PathoSig与分子亚型的关联。通过免疫组化测量SCLC患者中ASCL1、NEUROD1、POU2F3和YAP1蛋白表达并据此分为四个分子亚型，结果显示PathoSig在不同分子亚型中显示出不同的风险分组，其中SCLC-A亚型中低风险组比例较高，而SCLC-N亚型中高风险组比例最高。通过结合PathoSig和分子亚型，可将相同分子亚型患者分到不同的预后风险组，具有不同的OS和DFS结果，表明PathoSig能为分子分型提供更全面的预后信息。

研究团队也表示，本研究尚存一定局限性，PathoSig建立在可手术切除SCLC病理切片基础上，对广泛期活检组织切片是否适用尚待验证；另外，针对SCLC瘤内和瘤间异质性的问题，本研究使用的滑动水平风险分层规则似乎过于僵化，缺乏细致入微的方法。未来或可引入更复杂的模型或风险分层策略，以更准确地处理这些异质性问题，同时增加更多的可解释性策略。

来源：中国医学科学院肿瘤医院病理科

200 评论

知情同意书

研究速递丨基于组织病理学图像的深度学习预测小细胞肺癌的预后和治疗反应

热门资讯

关于我们

中国医学论坛报微信矩阵

助力乡村振兴帮扶行动

友情链接