这篇17分的文章告诉你：深度学习和分子分型其实并不难！
Deep Learning Predicts Molecular Subtype of Muscle-invasive Bladder Cancer From Conventional Histopathological Slides
一、研究背景
深度神经网络已经成功地用于皮肤病学、眼科、放射学和病理学领域的癌(MIBC)是第二常见的泌尿生殖系统恶性肿瘤，具有较高的发病率和死亡MIBC
二、分析流程
三、结果解读
TCGA队列的特征
TCGA队列407例患者的一般特征：TNMUICC的阶段。各阶段生存分析，其中ND表示“未记录”。可看出Ⅳ期患者的预后最差。
亚型的信息：管腔亚型患者的生存率最高，而基底型和管腔p53样型肿瘤的预后较差。
图 1.TCGA 队列的特征
2扫描预处理和建立深度学习模型
扫描预处理：A图中，上面是原始输入，中间是规格化的图像，下面是经过随机变换的增强后的图像。
mibCNN深度学习工作流方案：363例患者标注共导出807 943块图像。每个病人平均2226个图像。
图 2. 预处理和深度学习模型
验证队列的性能
六倍重复验证TCGA队列的结果: 所有受试者的ROC曲线联合曲线下面积(AUC)分别为 0.89(±0.030.87(±0.03AUC 高达 0.93。每位患者的平均验证准确率为 69.91% (±3.25%)。DN分子亚型的AUC值为 0.76±0.12)，基底亚型的AUC值为0.89(±0.04)，腔内亚型的AUC值为0.88(±0.06p53亚型的AUC值为0.89(±0.04)。数据表明，总体诊断效率较高。
分子亚型与代表性的图像：四种颜色代表每个图像分类概率最高的子类型。肿瘤的亚型取决于多数图像的类型。
图 3.验证队列性能
用于可视化的类激活映射
组织病理学特征相关的分类:DN分子亚型，密度大、核深染、低至中等多型性似乎与作者的模型最为相关。基底亚型， 具有多个(不止一个)非典型核仁(形状和大小不同)的大的多形性核。管腔亚型主要以乳头状生长。管腔型 p53小细胞巢或肿瘤细胞弥漫性浸润， 它们常被富含软骨细胞的间质所包围，呈粘液样外观。
CAM帮助理解错误的类：从标本中提取的具有管腔分子亚型的图像，该分子亚型被划分为基底型。CAM显示，分类是基于相邻肌细胞的大核，以及多个核仁，正如在基底亚型肿瘤细胞中观察到的一样。
图4.用于可视化的类激活映射
深度学习模型验证
病理学家的预测水平：4mibCNN20%~60%p5380%，且鉴别为这些型别的决策准确的概率不超过 ；调和了召回率和精确度之后输出F1 score80%。对于双阴型，基底样型、p53mibCNN
病理学家的可感知的诊断确定性：作者发现，人类评分者中存在广泛的可感知的诊断确定性，而这与分类精度关。
病理学家结合 CAM 实验结果的诊断效率：人类评分者的平均总体诊断准确率提高 20%（38.19%58.89%）mibCNNCAMWSIs
图 5.深度学习表现与病理专家的比较
小结
深度学习模型在预测 MIBC 患者的分子亚型方面表现出了很好的效果。通过使用不同的可视化技术，作者确定了模型最相关的新的组织病理学特征。深度学习可以在 MIBC 患者中，单从 HE 染色切片预测重要的分子特征，潜在改善该疾病的临床管理。例如， 当整合到临床决策系统时，它可以突出显示样本以供进一步检查。作者的模型可以进一步针对 MIBC 患者的其他临床相关终点进行训练， 从而对该疾病患者的临床管理产生深远的影响。
然而，深度学习模型存在一定不足。性能度量的报告通常是不完整的，还有优化的空间。到目前为止，分类精度还没有达到常规临床应用所能接受的水平，甚至在二元分类任务中也是如此。模型仍需优化。