组织学模式分类器与图卷积网络的集成在肺腺癌预后预测中的应用

《JTO Clinical and Research Reports》：Integration of Histologic Pattern Classifiers and Graph Convolutional Networks for Prognostic Prediction in Lung Adenocarcinoma

　　

叶一宸|余伟翔|谢敏淑|张馥芳|王雷琪|卢朝文|卡拉什·博扬|余坤星|吴玉忠|陈进兴|曹明松|叶昭元|周德英

台湾台北退伍军人总医院病理学与实验室医学系

摘要

引言

组织学模式的分类对于诊断和预测肺腺癌至关重要，但其临床应用仍受到观察者间差异以及在整个切片图像（WSIs）中量化模式的困难的限制。

方法

我们开发了一种基于深度学习的组织学模式分类器，该分类器使用粗略的标注进行训练，并通过整体切片的方法进行实现。我们评估了其在五种主要生长模式下的分类性能，并随后与专家病理学家进行了共识分析。为了预测预后，我们将该分类器集成到一个块级卷积网络（patch-GCN）中，该网络能够汇总整个切片图像中的局部和全局形态特征。进一步在两个外部队列中评估了模型的泛化能力。

结果

该分类器的平均曲线下面积为0.991，专家与模型的一致性为90.5%。共识分析显示，在典型形态上存在高度一致性，但在组织学不典型的区域，专家和模型都面临挑战。块级卷积网络（patch-GCN）取得了最佳的预后预测性能（一致性指数为0.789），优于仅基于专家评估或模型预测的组织学模式百分比的模型。值得注意的是，GCN识别出了一些预后不良的形态，包括复杂的腺体和类似胚泡的形态，这些形态在训练期间并未被明确标注。外部验证证明了其良好的泛化能力，在TCGA-LUAD队列中的一致性指数为0.654，在NTUH队列中为一0.868。模型的性能在很大程度上依赖于特定于病理的特征嵌入。

结论

本研究展示了使用粗略标注训练的基于WSI的组织学模式分类器的可行性，并建立了一种新的基于GCN的预后预测框架，该框架提高了预测准确性，揭示了超出专家标签范围的临床相关形态，并支持肺腺癌的精细风险分层。