基于深度学习的方法从多癌种全切片图像中揭示肿瘤突变负荷状态
计算机视觉与模式识别
2023-05-30 v2
摘要
肿瘤突变负荷（TMB）是免疫治疗的潜在基因组生物标志物。然而，通过全外显子测序检测 TMB 在低资源环境中缺乏临床渗透率。在本研究中，我们提出了一个多尺度深度学习框架，以解决从常规使用的全切片图像中检测 TMB 状态的问题，用于构建多癌种 TMB 预测模型（MC-TMB）。MC-TMB 在交叉验证队列中达到了 0.818 (0.804-0.831) 的平均曲线下面积（AUC），表现出优于每个单尺度模型的性能。通过在 x10 放大倍数下的消融实验，也证实了 MC-TMB 相对于单肿瘤模型的改进，且高度关注的区域通常对应于密集的淋巴细胞浸润和异型肿瘤细胞。MC-TMB 算法在外部验证队列上也表现出良好的泛化能力，AUC 为 0.732 (0.683-0.761)，且与其他方法相比具有更好的性能。总之，我们提出了一种基于深度学习的方法，可从多癌种常规使用的病理切片中揭示肿瘤突变负荷状态。
引用
@article{arxiv.2204.03257,
title = {Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types},
author = {Siteng Chen and Jinxi Xiang and Xiyue Wang and Jun Zhang and Sen Yang and Junzhou Huang and Wei Yang and Junhua Zheng and Xiao Han},
journal= {arXiv preprint arXiv:2204.03257},
year = {2023}
}
备注
15 pages