基于深度学习的组织形态学表型分析及联合小细胞肺癌（SCLC）和低分化神经外胚层癌（LCNEC）的预后分层

《npj Digital Medicine》：Deep learning based histomorphological phenotyping and prognostic stratification for combined SCLC and LCNEC

　　

摘要

对于小细胞神经内分泌肺癌（cSCLC-LCNEC）与大细胞神经内分泌肺癌的联合预后分层仍具有挑战性。我们提出了GTBIS，这是一种可解释的深度学习模型，能够根据病理图像对cSCLC-LCNEC进行组织形态学表型分析和预后分层。在多中心队列研究中（n = 670），GTBIS能够准确区分SCLC和LCNEC。当应用于接受化疗和放疗的cSCLC-LCNEC患者时，GTBIS将他们分为预后不同的亚组。预后良好的亚组（具有SCLC样表型）患者的五年总生存率（100% vs 39.5%）和无病生存率（87.5% vs 36.0%）显著优于预后较差的亚组（具有LCNEC样表型）患者。多变量分析证实GTBIS的分类是一个强有力的、独立的预后预测因素。多模态可解释性分析表明，预后良好的表型与细胞增殖途径相关，而预后较差的表型则与上皮-间充质转化、缺氧和代谢重编程有关。总之，GTBIS作为一种基于组织学的辅助工具，在cSCLC-LCNEC的预后分层中显示出巨大潜力，有助于实现更加个性化的治疗管理。