基于聚类视觉Transformer的病理图像衍生风险评分实现胶质瘤预后分层与关键基因通路识别

《Acta Neuropathologica Communications》：Prognostic risk stratification in glioma based on the foundation pathology model with identification of key genes and biological pathways associated with prognosis: a multicenter study

　　

摘要

目的：

基于全切片图像（WSI）的人工智能（AI）特征提取在胶质瘤预后方面显示出巨大潜力。然而，虽然基础病理模型具有潜力，但其特征通常缺乏生物学可解释性与疾病机制之间的明确联系，限制了其临床转化价值。

方法：

我们提出了一种基于聚类视觉 Transformer（ViT）的病理图像分析框架。从每张 WSI 中提取的数以万计的图像块首先被聚类为 100 组。随后，100 个聚类中心的基础模型特征与每个聚类在全切片中的比例表示相结合，并输入到 ViT 模型中进行预后预测。图像衍生的风险评分与匹配的 RNA 测序数据进一步整合，通过差异表达和通路富集分析识别与风险相关的基因和生物通路。预后预测在总共 2552 例病例中进行了开发和评估，其中包括华山医院 559 例用于训练和内部测试，上海国际医院 309 例作为外部验证队列 1，以及来自 TCGA 的 1684 例作为外部验证队列 2。病理基因组学分析在 567 例具有匹配 WSI 和 RNA 测序数据的 TCGA 病例中进行，并在 657 例 CGGA 病例中进一步验证。

结果：

预后模型产生的风险评分与患者生存率显示出显著相关性（log-rank P < 0.001）。当整合到现有的风险分层框架中时，与传统临床 - 分子列线图相比，这些风险评分通过基于临床信息和风险评分的列线图增强了生存预测，达到了 0.90 的 C 指数，具有更优的校准和分类准确性（净重分类改善 = 0.99，P < 0.001）。特定基因和通路表现出与风险评分的显著关联，且这些关键基因的平均表达水平在病理基因组学队列和 CGGA 数据集中均显示出强烈的预后价值（log-rank P < 0.001）。

结论：

这些结果表明，源自病理图像的风险评分可以有效地识别将胶质瘤患者分层为高危及低危亚组的关键基因和生物通路。因此，调节肿瘤免疫微环境的治疗策略可能对通过该方法识别的高危患者尤为有益。