hist2RNA：一种从乳腺癌组织病理学图像预测基因表达的高效深度学习架构
计算机视觉与模式识别
2023-05-09 v4
摘要
基因表达可用于乳腺癌分型，相比常规免疫组化（IHC）能更好地预测复发风险与治疗反应性。然而在临床上，分子分型主要用于 ER+ 乳腺癌，其成本高、破坏组织、需要专门平台且需数周才能获得结果。深度学习算法可有效提取数字组织病理学图像中的形态学模式，从而快速且经济地预测分子表型。我们提出一种受批量 RNA 测序技术启发、名为 hist2RNA 的新的计算高效方法，用于从苏木精-伊红（H&E）染色的全切片图像（WSIs）预测 138 个基因（整合自六种市售分子分型检测）的表达，包括管腔型 PAM50 亚型。训练阶段利用从预训练模型提取的每位患者的聚合特征，基于 The Cancer Genome Atlas（TCGA, n=335）的标注 H&E 图像在患者水平预测基因表达。我们在留出测试集（n = 160，患者间 corr = 0.82，基因间 corr = 0.29）上展示了成功的基因预测，并对具有已知 IHC 与生存信息的外部组织微阵列（TMA）数据集（n = 498）进行了探索性分析。我们的模型在 TMA 数据集上能够预测基因表达与管腔型 PAM50 亚型（Luminal A 对比 Luminal B），在单变量分析中对总生存具有预后意义（c-index = 0.56，风险比 = 2.16（95% CI 1.12-3.06），p < 5 x 10-3），在纳入标准临床病理变量的多变量分析中具有独立意义（c-index = 0.65，风险比 = 1.85（95% CI 1.30-2.68），p < 5 x 10-3）。
引用
@article{arxiv.2304.04507,
title = {hist2RNA: An efficient deep learning architecture to predict gene expression from breast cancer histopathology images},
author = {Raktim Kumar Mondol and Ewan K. A. Millar and Peter H Graham and Lois Browne and Arcot Sowmya and Erik Meijering},
journal= {arXiv preprint arXiv:2304.04507},
year = {2023}
}
备注
16 pages, 10 figures, 2 tables