迈向无监督癌症亚型分析：利用组织学视觉词典预测预后

与前列腺癌和乳腺癌等常见癌症不同，罕见癌症的肿瘤分级因样本量小、执行此类任务所需的大量时间以及提取人眼观察模式的固有难度而困难且很大程度上未定义。最具挑战性的例子之一是肝内胆管癌（ICC），一种源于胆道系统的原发性肝癌，其具有公认显著的肿瘤异质性，且无分级范式或预后生物标志物。在本文中，我们提出一种基于无监督深度卷积自编码器的聚类模型，该模型依据视觉相似性将246张ICC数字化全切片中的肿瘤细胞与结构形态进行分组。从该组织学模式的视觉词典中，我们使用这些簇作为协变量来训练Cox比例风险生存模型。在单变量分析中，三个簇与无复发生存显著相关。这些簇的组合在多变量分析中显著。在所有簇的多变量分析中，五个显示出对无复发生存的显著性，但整体模型未被测得显著。最后，一名病理学家为视觉词典中显著簇赋予了临床术语，并发现了支持胶原富集纤维化在疾病严重程度中起作用这一假说的证据。这些结果为癌症亚型分析的未来提供了见解，并表明计算病理学可贡献于疾病预后，尤其在罕见癌症中。