基于深度学习的肺腺癌全切片图像分割：实现客观分级、STAS识别与突变预测的新方法

本研究发现基于深度学习的多类分割模型可客观量化肺腺癌组织学模式，实现国际肺癌研究协会（IASLC）推荐的分级标准，显著区分肿瘤分化程度（p<1×10?4）。该模型能准确识别空气播散（STAS）并揭示特定形态模式与基因突变（如TP53/EGFR）的关联，为深度学习辅助病理诊断和治疗指导提供新范式。

　　

章节亮点

引言

肺癌是美国男性和女性中第二常见的癌症，也是癌症死亡的主要原因，约占总癌症死亡的20.4%(1)。早期肺癌通常通过手术切除治疗，可通过显微镜检查苏木精-伊红（H&E）染色组织样本进行组织学亚型分析和分级。在肺腺癌中，组织结构模式被分为多种亚型包括...

数据集

经机构审查委员会批准，我们从纪念斯隆-凯特琳癌症中心（MSKCC）收集了原发性切除肺腺癌H&E染色组织样本。活检样本、复发性肿瘤、同步性和异时性原发癌、手术日期存在远处转移的肿瘤以及浸润性黏液腺癌病例被排除在研究之外。大多数肿瘤已使用MSK-IMPACT检测法进行了基因组测序(40)。临床相关突变被...

突变关联分析

基因组分析通过MSK-IMPACT进行，如前所述。每个肿瘤根据临床相关突变类别被分类为阳性或阴性：EGFR激酶结构域突变、ALK融合、ROS1融合、ERBB2外显子20插入、BRAF p.V600E以及致癌性TP53突变。每个肿瘤的组织学亚型基于上述分割算法的输出结果进行分类。每个肿瘤的主要组织学模式根据亚型计算得出...

组织分割

我们对528张MSKCC内部测试全切片图像（WSI）和130张DHMC外部测试全切片图像进行了分割。补充图S3和S4分别展示了MSKCC组和DHMC组的全切片图像水平分割预测结果。图2和补充图S5分别展示了MSKCC组和DHMC组的肿瘤亚型分割结果。

我们使用DHMC外部集评估了分割模型的性能。为了进行像素级评估，在24张随机选取的图像中部分标注了每个类别的经典模式...

讨论

在本研究中，我们训练了深度多倍率网络(38)来分割肺腺癌中的14种肿瘤和非肿瘤亚型。在超过一百张千兆像素级别的全切片图像上标注这14个类别本身将是一个劳动密集型过程。为了克服这一挑战，我们利用深度交互式学习(39)高效地标注了我们的训练全切片图像，以开发我们的多类分割模型。据我们所知，这是肺腺癌中最全面的模型...