HRDPath:用于高级别浆液性输卵管卵巢癌H&E全切片图像同源重组缺陷预测的可解释多模型深度学习架构

《Nature Communications》:HRDPath: an explainable multi-model deep learning architecture for predicting homologous recombination deficiency from histopathology images

【字体: 大 中 小 】 时间:2026年10月22日 来源:Nature Communications 18.1

编辑推荐:

  同源重组缺陷(homologous recombination deficiency, HRD)是指导高级别浆液性输卵管卵巢癌(high-grade serous tubo-ovarian carcinoma, HGSOC)治疗决策的关键生物标志物,而该癌种可

  
同源重组缺陷(homologous recombination deficiency, HRD)是指导高级别浆液性输卵管卵巢癌(high-grade serous tubo-ovarian carcinoma, HGSOC)治疗决策的关键生物标志物,而该癌种可靠生物标志物稀少。然而,现有基于基因组学的HRD检测方法变异度大、成本高且耗时。研究人员开发了HRDPath,一种患者级深度学习架构,可从全切片图像(whole slide images, WSIs)预测HRD状态,无需额外分子检测。HRDPath在三个女性患者队列中得到验证,受试者工作特征曲线下面积(area under the curve, AUC)达0.846,显著优于HGSOC既往报道结果。通过纳入每例患者的多张切片及靶向优化策略,研究人员增强了模型的临床实用性,特异度(specificity)和敏感度(sensitivity)均达0.90。其可解释性流程提升模型可信度,并揭示HRD阳性癌症的重要临床和生物学洞见,突出细胞和组织水平相关的形态学与病理学改变。HRDPath为一种可及且可扩展的数字生物标志物奠定基础,以改善全球卵巢癌治疗分层。
高级别浆液性输卵管卵巢癌(HGSOC)侵袭性强且可用治疗生物标志物少;同源重组缺陷(HRD)阳性肿瘤对铂类及聚ADP核糖聚合酶(poly ADP-ribose polymerase, PARP)抑制剂敏感,因此识别HRD对精准治疗至关重要。现有HRD检测依赖BRCA1/2等DNA修复基因改变和基因组不稳定,如myChoice、FoundationOne及HRDetect,但存在结果不一、成本高、耗时长、依赖全基因组测序及资源可及性差等问题,且BRCA1/2野生型肿瘤对PARP抑制剂应答预测较弱。H&E染色是全切片图像(WSIs)的常规来源,研究人员据此假设深度学习可从H&E WSI预测HRD,但既往卵巢癌研究性能有限,缺乏特异度和敏感度报告,现代弱监督WSI方法在HGSOC HRD预测及HRD相关肿瘤结构和异质性方面仍待探索。为此,研究人员开发了HRDPath,一种从原发或转移HGSOC WSI预测HRD的多模型Transformer弱监督架构,实现患者级多切片聚合,无需肿瘤分割和精确解剖或肿瘤区域定位;在UWOV队列开发,在TCGAOV和PTRC验证。该研究发表于《Nature Communications》。HRDPath测试集AUC达0.846,敏感度0.692,特异度0.938,并在两个公共数据集中表现相当;解释性分析揭示HRD阳性肿瘤的细胞和组织形态及微环境特征,且预测与患者结局相关,为可及、可扩展的数字生物标志物提供基础。

方法上,研究使用UWOV内部队列152例(145例HGSOC及7例其他卵巢癌;720张诊断性全组织切片;HRDetect定义HRD,70例HRD?、82例HRD+;用117例493张切片训练、29例138张切片测试,按患者划分),并在TCGAOV(81例82张诊断WSI)和PTRC-HGSOC(93例198张切片)独立验证。技术包括CLAM(clustering-constrained attention multiple instance learning)流程提取1024像素、40×分辨率图像块,背景过滤和颜色归一化,RetCCL(retrieval with clustering-guided contrastive learning)自监督特征提取;构建双流多实例学习(dual-stream multiple instance learning, DSMIL)、视觉Transformer(Vision Transformer, ViT)和局部窗口Transformer三流架构及患者级Transformer,联合HRD二分类与HRD分数回归的多任务学习;用注意力、HoVer-NeXt单细胞形态、DBSCAN(density-based spatial clustering of applications with noise)和k-means生成注意力表型簇(VAttentionClusters)进行可解释分析。

结果部分:Training and evaluation datasets(训练和评估数据集)中,通过建立UWOV及公共TCGAOV、PTRC队列,以HRDetect定义UWOV的HRD状态并按患者划分训练/测试,发现多切片和临床信息可用于患者级建模。HRDPath development中,通过开发无需肿瘤分割的端到端弱监督架构,整合DSMIL、ViT、局部窗口和患者级聚合,并采用多任务学习,形成可同时输出HRD分类和连续HRD分数的模型。HRDPath accurately predicts HRD status from histology images中,通过比较单模型与集成模型,HRDPath在测试集AUC 0.846、敏感度0.692、特异度0.938,优于单独DSMIL或ViT;多任务提升特异度但降低敏感度,预测分数与HRD分数相关(r=0.653–0.81),对肿瘤细胞比例和细胞密度较稳健。Evaluation of HRDPath consistency to support translation中,通过枚举同一患者切片组合,预测总体一致;≥3张切片改善准确性,≥6张时准确率>0.950、敏感度0.910、特异度1.000;至少2张原发部位切片时性能稳定,且可用≥70%切片一致作为置信度。Benchmarking of HRDPath中,通过与DeepHRD++、CLAM-SB++/MB++、ZoomMIL++、UNI++等在同一分割和阈值下比较,HRDPath在AUC、敏感度和特异度上总体更优。Generalizability of HRDPath中,通过在TCGAOV/PTRC、少样本、转移灶及BRCA1/2改变分类中验证,TCGAOV训练模型AUC 0.847、特异度0.714、敏感度0.786;少样本最高AUC 0.823、特异度0.700、敏感度0.981;腹部转移表现良好,Other Pelvic较低;HRDPath-BRCA预测BRCA1/2相关改变的AUC 0.800、特异度0.952、敏感度0.600,颜色归一化改善跨数据集泛化。Ablation analysis of HRDPath components中,通过消融多模型组件,ViT+DSMIL改善敏感度/特异度平衡但不稳定提高AUC;局部窗口构建(local window construction, LWC)无绝对位置编码(absolute positional encoding, APE)时AUC由0.745升至0.769,LWC+APE达0.846,提示全局形态、判别性实例选择和CNN样局部空间归纳偏置存在协同。Characterization of morphological changes identified by HRDPath中,通过注意力与HoVer-NeXt单细胞形态分析,HRDPath注意力与肿瘤区域相关;HRD+肿瘤核圆度增加、伸长减少、局部细胞密度增加、核圆度和面积变异降低,BRCA1/2突变者呈相似核特征,BRCA1甲基化者不同;仅用聚合形态特征分类HRD能力有限(最高AUC 0.593)。HRD morphological patterns in metastatic neoplasms中,通过比较原发与大网膜转移,转移区域呈更高基质/肿瘤比、较低细胞密度和较高炎症细胞比例/纯度;HRD?大网膜转移核圆度更高,HRD+大网膜转移基质纯度标准差更低,提示部位相关微环境差异。Analysis of tissue and tumor microenvironment phenotypes中,通过DBSCAN和k-means构建8个VAttentionClusters,发现簇1富集HRD?、簇3富集HRD+且BRCA1/2改变多、局部细胞密度最低;簇2富集Other HRD+且核伸长高、圆度低;簇5–6为基质/纤维化,簇7为脂肪且富集HRD?,簇8为梗死/纤维化且最低细胞密度;部分簇具解剖部位特异性。Association of HRDPath predictions and patient outcomes中,通过错配病例形态、基因组亚组和生存分析,BRCA1甲基化预测准确率最高、Other HRD+最低;错配病例形态显著不同,但与HRD分数、分期或铂反应无显著关联;整合UWOV和TCGAOV中假阳性生存差于真阳性,≤5年探索子集中假阴性差于真阳性,提示图像预测可能捕获基因组HRD未完全反映的预后表型。

讨论部分总结指出,HRDPath以最小预处理实现端到端患者级预测,克服既往patch级、需分割、缺乏独立验证等局限;多模型和局部空间偏置提升性能,颜色归一化缓解域偏移;解释性框架增强可信度并系统量化HRD相关形态,BRCA1/2突变与BRCA1甲基化表型有异,HRD+呈纤维化及多形核等特征,但不支持坏死作为HGSOC区分特征;错配与预后提示潜在临床信息。局限包括HRDetect非FDA批准、PTRC仅5例HRD?、治疗异质及需更多样队列和多种临床HRD检测验证。HRDPath有潜力用于风险分层、优先分子检测或在基因组检测延迟或资源密集环境中提供成本效益决策支持。研究结论翻译:HRDPath为一种可及且可扩展的数字生物标志物奠定基础,以改善全球卵巢癌的治疗分层。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号