PathLUPI：一种基于转录组学信息的全切片图像精准分子预测算法

《Nature Communications》：Genome-anchored foundation model embeddings improve molecular prediction from histology images

摘要

精准肿瘤学需要精确的分子层面的理解，然而直接从基因组学数据中获取这些信息对于广泛的临床应用来说既成本高昂又耗时。目前，利用深度学习方法直接从常规的全切片图像（WSIs）中预测复杂的分子特征和患者预后仍然是一个重大挑战。在这里，我们介绍了PathLUPI算法。该算法在训练过程中利用转录组学信息来提取与基因组相对应的组织学特征，从而仅通过WSIs在推理阶段就能实现有效的分子预测。通过对20个队列中的11,361个病例进行的49项分子肿瘤学任务进行广泛评估，PathLUPI的表现优于那些仅基于WSIs训练的传统方法。关键的是，在18项生物标志物预测和分子亚型分类任务中，其接收者操作特征曲线下的面积（AUC）至少达到了0.80；在涵盖五种主要癌症类型的生存数据队列中，其一致性指数至少达到了0.70。此外，PathLUPI提取的特征揭示了与特定基因型相关的独特细胞形态特征，这些特征的空间保真度在具有代表性的高分辨率空间转录组学样本中得到了验证。通过有效地编码分子上下文以优化WSIs的表示方式，PathLUPI为将分子层面的见解与常规病理学工作流程相结合、实现更广泛的临床应用提供了一种策略。