今天为大家分享的这篇文章介绍了基于深度学习的病理图像分析在肝内胆管细胞癌（iCCA）预后评估中的应用，没有思路，找不到创新方向，有任何问题都可以找小科哦
文章标题：Mining the interpretable prognostic features from pathological image ofintrahepaticcholangiocarcinoma using multi-modal deep learning
中文标题：利用多模态深度学习从肝内胆管癌病理图像中挖掘预后特征
发表期刊：InternationalJournalofSurgery
发表时间：2024年7月
影响因子：7.0/Q1
基于深度学习的病理图像分析的进步为癌症预后带来了巨大的见解。尽管如此，缺乏可解释性仍然是临床应用的一大障碍。
研究思路
我们建立了肝内胆管癌 （iCCA） 的综合预后神经网络，旨在对全玻片图像中的结构和细粒度信息进行综合评估。然后，利用多模态数据，我们对模型进行了广泛的询问方法，以提取和可视化与临床结果和潜在分子改变最相关的形态特征。
结果分析
1. 分类网络精确地区分解剖亚区域
一般来说，iCCA的病理切片包括4个主要的解剖亚区域，包括TT、LT、HN和TLS，可以相对容易地手动勾勒出来。两位经验丰富的专家在 89 个 WSI 上描绘了四种组织类型的轮廓，并由另一位病理学家独立检查。
2. 从病理图像的不同维度中提取初始特征
根据先验知识，结构特征（表示不同解剖亚区域的空间组织）和细粒度特征（表示肿瘤细胞的形态和质地）都包含与患者结局相关的基本信息。
3. 解构预测模型 1 揭示了重要的建筑特征
为了询问预后模型 1 的解释，我们首先使用 OSM 来可视化不同图像区域的预后相关性。为了可视化，GSM被用不同的颜色掩盖，其中越红越蓝表示死亡风险越高越低。我们的病理学家从这些热图中确定了几个显着的特征。
4. 预后模型 2 从薄壁组织瓷砖中捕获内在形态特征
预后模型 2 侧重于微观特征，由其输入确定。我们首先测试了该模型是否识别病理学家可解释的预测因素，例如iCCA亚型或肿瘤等级。
5. 预后模型在多组学尺度上反映了肿瘤生物学过程
从逻辑上讲，在组织病理切片中可观察到的形态学模式和患者预后是由潜在的分子表型决定的。我们确定了几种与TiRS显着相关的分子改变。转录组学数据揭示的最相关通路包括糖酵解、缺氧、P53通路、雌激素反应、顶端连接、mTORC1信号转导、通过NFKB的TNFα信号传导、TGF-β信号传导和胆汁酸代谢。
文章小结
我们提出了一个可解释的深度学习框架来深入了解iCCA的生物学行为。网络感知到的大多数重要形态预测器对于人类思维来说都是可以理解的。
