文献解读:深度学习预测肿瘤组织分子分型

大家好,今天和大家分享的是 2020 年 4 月发表在 European urology(IF:17.298)上的一篇文章,”Deep Learning Predicts Molecular Subtype of Muscle-invasive Bladder Cancer From Conventional Histopathological Slides” 。作者总共采用了423张肿瘤组织的数字全幻灯片图像来训练、验证和测试深度学习算法,用于预测分子亚型。

Deep Learning Predicts Molecular Subtype of Muscle-invasive Bladder Cancer From Conventional Histopathological Slides

深度学习从传统的组织病理学切片预测肌肉侵袭性膀胱癌的分子亚

一、研究背景

深度神经网络已经成功地用于皮肤病学、眼科、放射学和病理学领域的医学图像分析——有时甚至超过了人类评分者的性能指标。肌肉浸润性膀胱(MIBC)是第二常见的泌尿生殖系统恶性肿瘤,具有较高的发病率和死亡率。近年来,MIBC的分子亚型被发现,具有重要的临床意义。因此,作者试图利用深度学习从传统的组织形态学中预测 MIBC样本的分子亚型,有可能显著改善该疾病的临床管理。

 

二、分析流程

三、结果解读

1. TCGA 队列的特征

  • TCGA队列407例患者的一般特征:TNM UICC的阶段。各阶段生存分析,其中ND表示“未记录”。可看出Ⅳ期患者的预后最差。

 

  • 亚型的信息:管腔亚型患者的生存率最高,而基底型和管腔p53样型肿瘤的预后较差。

 

             

  1.TCGA 队列的特征

 

2扫描预处理和建立深度学习模型

  • 扫描预处理:A图中,上面是原始输入,中间是规格化的图像,下面是经过随机变换的增强后的图像。

 

  • mibCNN深度学习工作流方案:363例患者标注共导出807 943块图像。每个病人平均2226个图像

 

               

    图 2. 预处理和深度学习模型

3. 验证队列的性能

  • 六倍重复验证TCGA队列的结果: 所有受试者的ROC曲线联合曲线下面积(AUC)分别为 0.89(±0.03)和 0.87(±0.03)。微平均 AUC 高达 0.93。每位患者的平均验证准确率为 69.91% (±3.25%)。DN分子亚型的AUC值为 0.76( ±0.12),基底亚型的AUC值为0.89(±0.04),腔内亚型的AUC值为0.88(±0.06),腔内类p53亚型的AUC值为0.89(±0.04)。数据表明,总体诊断效率较高。

 

  • 分子亚型与代表性的图像:四种颜色代表每个图像分类概率最高的子类型。肿瘤的亚型取决于多数图像的类型

              

  图 3.验证队列性能

 

4. 用于可视化的类激活映射

  • 组织病理学特征相关的分类:DN分子亚型,密度大、核深染、低至中等多型性似乎与作者的模型最为相关。基底亚型, 具有多个(不止一个)非典型核仁(形状和大小不同)的大的多形性核。管腔亚型主要以乳头状生长。管腔型 p53 样亚型, 小细胞巢或肿瘤细胞弥漫性浸润, 它们常被富含软骨细胞的间质所包围,呈粘液样外观。

 

  • CAM帮助理解错误的类:从标本中提取的具有管腔分子亚型的图像,该分子亚型被划分为基底型。CAM显示,分类是基于相邻肌细胞的大核,以及多个核仁,正如在基底亚型肿瘤细胞中观察到的一样。

       图4.用于可视化的类激活映射

 

5. 深度学习模型验证 

  • 病理学家的预测水平:共有4位病理学家,没有一人能达到 mibCNN仅仅观察小图像块的预测水平。他们预测的精确度在20%~60%之间。对于基底样型、管腔型、管腔p53样型,这些型别成功鉴别的概率不超过 80%,且鉴别为这些型别的决策准确的概率不超过 80%;调和了召回率和精确度之后输出 F1 score表明预测的精度不超过 80%。对于双阴型,基底样型、管腔型、管腔p53样型,负例覆盖率均较高。以上证明mibCNN 模型准确性更高。

  • 病理学家的可感知的诊断确定性:作者发现,人类评分者中存在广泛的可感知的诊断确定性,而这与分类精度关。

 

  • 病理学家结合 CAM 实验结果的诊断效率:人类评分者的平均总体诊断准确率提高 20%(  38.19% 提高至58.89%)。此外,一些人类评分者的在某些亚类的诊断效率上超过了mibCNN。即提供 CAM 实验的 WSIs 和组织病理学特征的附加信息,评分者的准确性显著提高。

 

 

        5.深度学习表现与病理专家的比较

小结

度学习模型在预测 MIBC 患者的分子亚型方面表现出了很好的效果。通过使用不同的可视化技术,作者确定了模型最相关的新的组织病理学特征。深度学习可以在 MIBC 患者中,单从 HE 染色切片预测重要的分子特征,潜在改善该疾病的临床管理。例如, 当整合到临床决策系统时,它可以突出显示样本以供进一步检查。作者的模型可以进一步针对 MIBC 患者的其他临床相关终点进行训练, 从而对该疾病患者的临床管理产生深远的影响。

然而,深度学习模型存在一定不足。性能度量的报告通常是不完整的,还有优化的空间。到目前为止,分类精度还没有达到常规临床应用所能接受的水平,甚至在二元分类任务中也是如此。模型仍需优化。

文献解读

文献解读:肿瘤低氧因子结合预后、肿瘤微环境以及验证

2020-5-28 20:55:30

文献解读

文献解读:胃癌前病变和早期胃癌的单细胞转录组网络分析

2020-5-28 21:04:26

声明 本网站部分文章源于互联网,出于传递更多信息和学习之目的转载,并不保证内容正确或赞同其观点。
如转载稿涉及失效、版权等问题,请立即联系管理员;我们会予以修改、删除相关文章,请留言反馈
Notice: When your legal rights are being violated, please send an email to: [email protected]
0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索