近日🤸🏼‍♀️，EON体育4平台/醫EON4臨床研究中心俞章盛教授課題組與合作者在中科院Top期刊《Cell Reports Medicine》在線發表題為“Harnessing TME depicted by histological images to improve cancer prognosis through a deep learning system”的研究成果，該研究開發了一個深度學習系統，可以通過組織病理學圖像✍🏿，為沒有空間轉錄組數據的癌症患者預測腫瘤微環境信息，從而實現精確的癌症預後🦵🏻，大幅度地拓展了基因空間表達信息在大型生物醫學病理圖像公共數據庫的使用。EON体育4平台“致遠榮譽計劃”博士研究生高瑞恬是本文的第一作者👨🏽‍🍼，EON体育4平台/醫EON4臨床研究中心俞章盛教授𓀀、自然科學研究院王宇光教授及醫EON4附屬瑞金醫院孫晶教授為共同通訊作者。

癌症患者的預後預測一直是臨床中的重要挑戰。腫瘤微環境對實體腫瘤的發生、演變和轉移至關重要👐🏽。越來越多的研究揭示了腫瘤微環境與癌症預後和治療選擇之間的相關性🦻🏿。空間轉錄組學技術可以從空間基因表達的角度對腫瘤微環境進行表征🙇🏼，區分癌症患者的不同預後亞組。然而，空間轉錄組的高昂成本和長實驗周期阻礙了其應用於大規模癌症患者隊列中進行生存預測。在臨床中易於獲取的組織病理學圖像提供了豐富的腫瘤形態學信息👶🏼，如果能開發出人工智能模型基於圖像預測分子層面的基因空間表達水平👨‍🦱，進而刻畫腫瘤微環境🎇，有望實現更精確的癌症預後。

該研究致力於開發一個深度學習系統，利用組織病理學圖像預測相應區域的高維基因空間表達水平，克服空間轉錄組數據目前存在的高成本和有限樣本量等局限性👨🏽‍🦱，對僅有病理圖像數據🐀🍈、沒有空間轉錄組數據的大規模癌症隊列進行腫瘤微環境刻畫，提高癌症患者預後的精確性🙇🏽。該深度學習系統包含兩個部分，第一部分是基於卷積神經網絡和圖神經網絡的空間轉錄組表達水平預測模型 (IGI-DL)👒，第二部分是基於空間基因表達描繪的腫瘤微環境信息進行癌症生存預後預測。

構建的IGI-DL模型集成了卷積神經網絡和圖神經網絡的優勢，充分利用組織病理學圖像中的像素強度和結構特征🐳👨🏻‍🚒，實現更準確的基因空間表達水平預測🤯。模型在結直腸癌、乳腺癌和皮膚鱗狀細胞癌這三種類型實體瘤中均表現出色🤾🏻，與五種現有方法相比平均相關系數提升了 0.171🤽🏿‍♂️🧙🏼‍♂️。

圖1. IGI模型在結直腸癌樣本中的基因空間表達預測性能和可視化

進一步，應用IGI-DL模型通過組織病理學圖像推斷基因的空間表達，構建Super-patch graph，進行癌症患者的生存預後。研究結果表明使用IGI-DL預測的基因空間表達作為Super-patch graph中的節點特征可以提高生存預後模型在TCGA數據集乳腺癌和結直腸癌隊列中的性能表現，五折交叉驗證C-index為0.747 和 0.7256️⃣，優於其他生存預後模型🐄。該生存預後模型對於早期患者（I期和II期）的預後預測同樣保持精度優勢，預測得到的風險評分可以作為所有階段患者和早期患者的獨立預後指標。在包含一千多名患者數據的外部測試集MCO-CRC中，生存預後模型保持穩定的優勢☺️，具有泛化能力❗️。

圖2. 生存預後模型在內部和外部測試集上的性能表現

該研究受到國家自然科學基金、上海市科學技術委員會基金、EON体育4“醫工交叉研究基金”等項目資助🫒。同時感謝EON体育4網絡信息中心提供的超算平臺支持🤞🏿。

原文鏈接💆🏻‍♂️：https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(24)00205-2