基于图的肿瘤微环境聚集框架用于胃癌预后风险分层和精准肿瘤学

《npj Digital Medicine》：Interpretable graph learning of spatial TME patterns in digital pathology for gastric cancer prognosis

　　当前基于TNM分期和分子亚型的胃癌（GC）风险分层往往无法捕捉导致预后差异的瘤内异质性。尽管组织病理图像中的肿瘤微环境（TME）空间结构具有重要的预后价值，但量化这些相互作用仍具挑战性。我们提出了一种基于图的肿瘤微环境聚集（GTMA）框架，这是一种可解释的深度学习方法，将全切片图像建模为空间图谱以解析组织相互作用。在一个大型队列（n = 1871）和TCGA-STAD数据集（n = 213）中验证表明，GTMA衍生的风险评分（RS）提供了与TNM分期和临床模型互补的预后信息。值得注意的是，RS在相同的TNM分期和分子亚型内将患者分层为不同的风险组，识别出传统上被忽视的高风险患者。整合分析显示，高RS肿瘤具有成纤维细胞主导的免疫排斥表型和独特的基质空间模式。通过将数字病理学与生物学TME模式联系起来，GTMA为胃癌的个体化预后风险分层和精准肿瘤学提供了一种稳健、可解释的AI工具。