模型开发与训练
开发并训练一个能预测102种CNS肿瘤亚型的AI模型。
基于UKHD的6115张切片，使用Prov-GigaPath提取特征，修改TransMIL进行聚合，结合年龄和位置信息，训练Hetairos模型。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
Hetairos：一种基于组织学的预测中枢神经系统肿瘤甲基化亚型的人工智能模型
Hetairos is a histology-based artificial intelligence model for predicting central nervous system tumor methylation subtypes
实验完整度
高包含多中心回顾性训练/验证、前瞻性临床评估、与神经病理学家比较、生存分析等多层级验证；有明确的功能验证和机制验证。
主要模型
中枢神经系统肿瘤患者队列（包含成人及儿童） TCGA-LGG/TCGA-GBM队列 EBRAINS DBTA队列 MNP 2.0队列（含生存数据）
重点核对
模型对102种CNS肿瘤亚型的预测性能（内部验证top-1准确率0.75，外部验证0.68） 高置信度阈值（0.5）下的准确率（内部0.88，外部0.87） 与神经病理学家对比（top-1准确率：Hetairos 0.68 vs 神经病理学家0.30） 前瞻性临床评估中的准确率（高置信度90.2%） 基于Hetairos预测的生存分层差异（髓母细胞瘤P=0.03，室管膜瘤P=0.07）
摘要
分子检测对于中枢神经系统（CNS）肿瘤的分类至关重要，其中甲基化分析可提供最高的诊断粒度。然而，与在世界范围内广泛可用的常规苏木精-伊红（H&E）组织病理学相比，该方法需要更多的资源和时间。在此，我们提出Hetairos，一种从数字H&E切片中预测102种基于甲基化的CNS肿瘤亚型的人工智能算法。该模型基于来自四大洲11个中心的9,606例患者和超过11,000张切片进行构建和验证，Hetairos以高置信度识别了50-70%的病例，在其最高评级预测中达到了0.87的准确率。在直接的组织学-only比较中，Hetairos优于五位委员会认证的神经病理学家（0.68对0.30）。在常规诊断中的前瞻性评估证实了其性能，将周转时间从12天（分子检测）缩短至12分钟。Hetairos通过缩小鉴别诊断范围并指导高效检测，支持儿科和成人CNS肿瘤全谱系的诊断决策。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否从H&E染色切片中准确预测中枢神经系统肿瘤的甲基化亚型，并辅助临床诊断？
- 核心机制
- Hetairos通过分析H&E切片中的形态学特征，利用深度学习模型捕捉与甲基化亚型相关的组织学模式，实现对肿瘤亚型的预测。
- 主要证据
- 在包含9606例患者、11000余张切片的多中心数据上训练和验证，内部验证top-1准确率0.75，外部验证0.68；高置信度预测准确率可达0.87；在210例对比测试中优于神经病理学家；前瞻性评估中高置信度预测与综合诊断一致率达90.2%。
- 研究意义
- Hetairos有望提供快速、可及的诊断工具，缩短诊断时间，减少对分子检测的依赖，并在分子检测不确定或样本不足时辅助诊断。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
内部验证
评估模型在内部验证集上的预测性能。
在1102张内部验证切片上评估top-1和top-3准确率，并根据置信度分层分析性能。
外部验证
评估模型在外部多中心数据上的泛化能力。
在来自四大洲10个外部队列的5498张切片上验证模型性能。
与神经病理学家对比
比较模型与专业神经病理学家在H&E切片诊断上的准确性。
210张切片由5位神经病理学家和Hetairos分别进行诊断，比较top-1和top-3准确率。
前瞻性临床评估
评估模型在真实临床诊断环境中的表现。
于2024年8月1日至2025年6月1日在UKHD神经病理科，对210例需要分子检测的病例进行前瞻性预测，并与综合诊断比较。
生存分析
验证基于Hetairos预测亚型的预后价值。
利用MNP 2.0队列中353例具有H&E图像和生存数据的患者，对髓母细胞瘤、室管膜瘤和高分级胶质瘤进行生存分析。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证模型性能
验证与病理学家对比
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 切片扫描 | 徕卡Aperio AT2切片扫描仪 | Leica | -- |
| 模型训练 | PyTorch | -- | -- |
| PyTorch Lightning | -- | -- | |
| 模型推理 | OpenSlide | -- | -- |
| OpenCV | -- | -- | |
| Timm | -- | -- | |
| Pillow | -- | -- | |
| NumPy | -- | -- | |
| pandas | -- | -- | |
| h5py | -- | -- | |
| Wandb | -- | -- | |
| 模型训练 | GeForce RTX 2080 Ti显卡 | NVIDIA | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据来源 | 训练集来自UKHD，外部验证集来自多个机构。 阅读提示：Methods: Patient cohorts |
| 模型架构 | 特征提取使用Prov-GigaPath，聚合使用TransMIL；包含年龄和位置信息。 阅读提示：Methods: Hetairos framework |
| 训练细节 | 优化器Lookahead，学习率1e-5，权重衰减1e-5，早期停止10轮，随机子矩阵m=3，对比损失ε=0.2，β=20。 阅读提示：Methods: Implementation details |
| 性能评估 | 内部验证top-1准确率0.75，外部验证0.68，高置信度阈值0.5。 阅读提示：Results: 内部验证和外部验证部分 |
| 生存分析 | MNP 2.0队列样本，使用Cox模型和Kaplan-Meier分析。 阅读提示：Results: Granular tumor classification stratifies survival |