根据深度学习的安排病理组学图画剖析猜测胃癌临床预后

  WSI不只能在低倍镜下提醒肿瘤细胞的空间摆放，还能展现细胞结构及肿瘤免疫微环境Pathomics）经过从WSI中提取定量特征，表征肿瘤异质性、免疫表型和基因表达，然后辅佐确诊和预后猜测

  近期一项回忆性研讨讨论根据机器学习（ML）的胃癌肿瘤及瘤周病理组学模型在猜测患者术后总生计期（OS）方面的价值，并结合临床参数构建归纳猜测列线图（Nomogram），以提高预后判别的准确性与临床适用性[15]。本文特此收拾要害信息。

  研讨回忆性归入了2015年9月至2022年1月期间在浙江省台州医院和包头医学院第二隶属医院承受彻底治愈性手术的160例胃癌患者，一切患者均经病理学确诊，且无既往肿瘤医治史。根据归入和扫除规范，终究将80例患者作为练习集，80例作为验证集，另从TCGA-STAD数据库中选取401例患者作为测验集（图2）。扫除规范包含失访、兼并其他恶性肿瘤或临床信息不完整。一切患者的TNM分期均根据AJCC第8版规范从头分类[16]。

  安排切片经H&E染色和多色免疫荧光染色后，运用Aperio ScanScope和Akoya Vectra Polaris扫描仪进行数字化处理，生成SVS格局的WSI图画。选用Qupath软件将每张图画分割为1000×1000像素的图块，由两名经历比较丰富的病理医生选取10个最具代表性的肿瘤区域图块进行特征提取。运用CellProfiler软件共提取229个病理组学参数，包含含糊特征、聚集评分、部分相关性、均匀强度等，并进行Z-score规范化。

  经过比较各模型在1年、3年和5年OS猜测中的AUC值，确认最佳组合模型（Pathscore）。终究根据GBM的肿瘤+瘤周组合模型体现最优。

  经过单要素和多要素Cox回归剖析挑选与OS显着相关的临床变量，将Pathscore与年纪、M分期、TNM分期等独立预后要素结合，构建归纳猜测列线图。选用净从头分类改进指数（NRI）和归纳判别改进指数（IDI）评价Pathscore对模型的增量价值。

  根据TCGA和GEO（GSE165221）数据库，剖析高/低Pathscore组间的差异表达基因（DEGs），并进行GO、KEGG富集剖析及免疫滋润评价（运用ESTIMATE、CIBERSORT、ssGSEA和Xcell东西），探究病理组学特征与基因表达及免疫状况的相关性。

  运用ROC曲线、校准曲线、决议计划曲线、临床影响曲线等评价模型功用。选用Log-rank查验进行生计剖析，P0.05以为差异具有统计学含义。

  研讨共归入561例患者（练习集80例，验证集80例，TCGA测验集401例），中位年纪66岁，中位随访时刻41个月。TNM分期以II期和III期为主，练习集和验证会集别离有106例（66.3%）复发和72例（45.0%）逝世。

  GBM模型在肿瘤+瘤周特征组合中体现最佳，练习集1年、3年和5年AUC别离为0.837、0.970和0.963，验证集和测验集也坚持比较高猜测稳定性（表2）。Log-rank查验显现该模型能有用区别高、低危险患者（P0.001）。

  TCGA行列中，高Pathscore组与低Pathscore组共有168个差异表达基因（15个上调，153个下调），功用富集于血管生成、免疫细胞活化、上皮-间质转化等通路（图5）。低Pathscore组免疫评分更高，且CD8+ T细胞、巨噬细胞、树突状细胞等免疫细胞滋润水平显着差异（图6）。进一步剖析发现，NRP1基因与病理组学特征“Texture Angular Second Moment Hematoxylin”显着相关（P0.001, r=0.618），提示该特征或许经过反映肿瘤免疫状况影响预后。

  本研讨经过回忆性多中心行列，构建了根据深度学习与机器学习的胃癌病理组学猜测模型，并成功将其与临床参数整合为归纳列线图。该模型在练习集、验证集和外部测验会集均体现出优异的OS猜测才能（1年AUC最高达0.954），且Pathscore对传统临床模型具有十分显着增量价值。机制上，病理组学特征与肿瘤免疫微环境严密相关，NRP1基因或许作为潜在生物标志物参加预后调控。研讨的局限性包含样本量有限、未归入生活方式与遗传要素、病理组学流程没有规范化，以及AI模型的“黑箱”问题。未来需经过更大样本、多中心前瞻性研讨进一步验证模型的泛化才能，并结合功用试验深入讨论病理组学特征与分子机制之间的因果关系。综上，根据病理组学的机器学习模型为胃癌术后预后猜测供给了牢靠、个体化的东西，有望在临床中辅佐辨认高危患者、优化医治战略，推进精准医疗开展。