用于卵巢癌亚型与基因突变预测的形态-基因组深度学习

卵巢癌仍然是最致命的妇科恶性肿瘤之一，主要原因是诊断较晚以及各亚型间存在广泛的异质性。目前的诊断方法在揭示对精准肿瘤学至关重要的潜在基因组变异方面能力有限。本研究引入了一种新颖的混合深度学习流水线，该流水线将定量细胞核形态测量与深度卷积图像特征相结合，直接从苏木精和伊红 (H&E) 组织病理学图像中进行卵巢癌亚型分类和基因突变推断。使用来自癌症基因组图谱 (TCGA) 和公共数据集约 45,000 个图像块，开发了一个结合 ResNet-50 卷积神经网络 (CNN) 编码器和 Vision Transformer (ViT) 的融合模型。该模型成功捕获了局部形态纹理和全局组织上下文。该流水线实现了 84.2% 的稳健总体亚型分类准确率（Macro AUC 为 $0.87 \pm 0.03$）。关键的是，该模型展示了中高准确度的基因突变推断能力：$AUC_{TP53} = 0.82 \pm 0.02$，$AUC_{BRCA1} = 0.76 \pm 0.04$，以及 $AUC_{ARID1A} = 0.73 \pm 0.05$。特征重要性分析建立了直接的定量联系，揭示细胞核实度和离心率是 TP53 突变的主导预测因子。这些发现验证了可定量的组织学表型编码了可测量的基因组信号，为卵巢癌分诊和诊断中具有成本效益的精准组织病理学铺平了道路。