深度学习基于组织病理学预测大B细胞淋巴瘤中的基因重排

《npj Digital Medicine》：Deep learning predicts gene rearrangements from histopathology in large B-cell lymphoma

　　

摘要

大 B 细胞淋巴瘤是一类分子异质性成熟 B 细胞肿瘤，其中评估MYC、BCL2 和BCL6的重排状态有助于综合诊断、风险分层和治疗计划。荧光原位杂交（FISH）仍是检测这些重排的标准方法，但可能耗时、耗组织且资源密集。在此，我们提出了 HE2FISH，这是一个弱监督深度学习框架，用于从常规实践中诊断为大 B 细胞淋巴瘤且呈现弥漫性生长模式的病例的常规苏木精 - 伊红（H&E）染色全切片图像中，预测由 FISH 定义的MYC、BCL2 和BCL6重排状态。在来自五家医院的 1377 名患者的多中心队列中，这些患者具有配对的 H&E 和 FISH 数据，HE2FISH 展示了稳健的跨中心泛化能力，在单基因预测方面的外部受试者工作特征曲线下面积均值超过 0.81，并且在 FISH 定义的共重排模式方面也显示出可评估的性能。在具有生存随访的 CHCAMS 队列中，HE2FISH 预测的重排状态对总生存期和无病生存期的分层效果与 FISH 相当。基于注意力的分析提供了与模型预测相关的高注意力图像区域的视觉摘要，而在选定场景中纳入 13 个结构化的临床病理变量提高了性能，尤其是对于共重排预测。通过在预测阶段无需额外使用组织即可从常规 H&E 染色切片生成重排概率估计，HE2FISH 提供了一种基于 H&E 的预筛选方法，这可能支持综合诊断工作流程中对确证性分子检测的优先排序。