【Ai➕医学 顶刊速递】第三期
-
【文章标题】:通过深度学习评估结直肠癌的基因型- 表型相关性:一项多中心队列研究
DOI:
10.1016/j.landig.2025.100891【背景】:基于深度学习的模型能够从用苏木精和伊红染色的结直肠癌组织病理学载玻片中预测分子生物标志物;然而,很少有研究系统地评估微卫星不稳定性 (MSI)、BARE 和 KRAS 之外的预测目标。我们的目标是开发和验证一种基于深度学习的多靶点模型,用于同时预测结直肠癌中的多种遗传改变及其相关表型。
【方法】:在这项多中心队列研究中,通过手术切除获得结直肠癌患者的组织样本,并用苏木精和伊红染色。然后将这些样本数字化为整张玻片图像,并用于训练和测试基于 Transformer 的深度学习算法,用于生物标志物检测,以同时预测多种遗传改变并提供热图解释。主要数据集包括来自五个队列的 1376 名患者,他们接受了全面的面板测序,另外还有来自两个公共数据集的 536 名患者进行验证。我们将该模型的性能与传统的单目标模型进行了比较,并检查了改变和共享形态的共现。
【发现】:多靶点模型能够预测病理载玻片中的众多生物标志物,匹配并部分超过单靶点转换器。在主要外部验证队列中,多靶点变压器的受试者工作特征曲线下平均面积 (AUROC) 为 BRAF 为 0·78 (SD 0·01),超突变为 0·88 (0·01),MSI 为 0·93 (0·01),RNF43 为 0·86 (0·01);预测性能在各个指标中是一致的,并得到共现分析的支持。然而,具有高 AUROC 的生物标志物在很大程度上与 MSI 相关,模型预测在很大程度上取决于病理检查时与 MSI 相关的形态。
【解释】:通过使用与 MSI 相关的形态学和共享表型中更微妙的生物标志物特异性模式,多靶点转换器有效地预测了用苏木精和伊红染色的载玻片中结直肠癌中各种遗传改变的生物标志物状态。这些结果凸显了在基于深度学习的生物标志物研究中考虑突变共现和共同形态的重要性。我们经过验证且可扩展的模型可以支持扩展到其他癌症和大型、多样化的队列,从而有可能促进精准肿瘤学中具有成本效益的预筛选和简化诊断。