数据收集与协调
建立多中心国际队列，收集临床、病理和分子数据。
从7个国家的21个机构收集8398例GIST病例的WSI及相关数据，使用GraDaCu工具进行数据协调。
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
深度学习预测胃肠道间质瘤的突变和预后
Deep Learning Predicts Mutations and Outcomes in Gastrointestinal Stromal Tumors
实验完整度
高该研究包含模型训练与外部验证（多中心、多国家）、分子预测、治疗敏感性分类和预后分层队列分析，并进行了可解释性分析。
主要模型
DIGIST队列（8398例GIST患者） 手术切除标本 活检标本
重点核对
KIT和PDGFRA突变预测模型的AUC（KIT：0.87，PDGFRA：0.96） 治疗敏感性预测（阿伐替尼敏感性AUC：0.84，伊马替尼敏感性AUC：0.81） RFS预测模型的风险比（总体队列HR：8.44） 外部验证队列的地理分离（西班牙、意大利、波兰） 活检外部验证队列（n=223）
摘要
胃肠道间质瘤（GIST）是最常见的胃肠道间充质肿瘤，由酪氨酸蛋白激酶（KIT）和血小板衍生生长因子受体A（PDGFRA）突变驱动。特定变异，如KIT外显子11缺失，具有预后和治疗意义，而野生型变异从酪氨酸激酶抑制剂中获益有限。鉴于已确立的临床病理风险模型的可重复性有限，应用于全切片图像（WSI）的深度学习（DL）成为分子分类和预后评估的有前景的工具。我们分析了来自7个国家21个中心的8398例GIST病例，其中7238例有分子数据，2638例有临床随访。DL模型在WSI上训练，以预测突变、治疗敏感性和无复发生存期（RFS）。DL从WSI预测GIST的突变状态，KIT的曲线下面积为0.87，PDGFRA为0.96，并且对亚型观察到高性能，包括KIT外显子11 del–ins 557至558（0.67）和PDGFRA外显子18 D842V（0.93）。对于治疗类别，阿伐替尼敏感性的性能达到0.84，伊马替尼敏感性为0.81。DL模型预测RFS，总体队列中的风险比（HR）为8.44，接受辅助治疗的患者中为4.74。预后性能与基于病理学的评分相当，在总体队列和无辅助治疗的患者中判别力最高。将DL应用于WSI能够预测GIST的分子改变、治疗敏感性和RFS，在国际队列中与既定风险评分表现相当，为未来的多模态预测器提供了基线。
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
- 深度学习能否从H&E全切片图像中预测GIST的分子突变、治疗敏感性和无复发生存期？
- 核心机制
- 深度学习模型通过分析组织形态学特征（如细胞空泡化、有丝分裂活性、免疫细胞浸润）来预测潜在的分子改变和预后。
- 主要证据
- 多中心国际队列（8398例）的WSI分析显示，DL模型对KIT和PDGFRA突变预测的AUC分别为0.87和0.96，对阿伐替尼敏感性和伊马替尼敏感性预测的AUC分别为0.84和0.81，RFS预测的风险比为8.44。
- 研究意义
- 该研究提供了一种非侵入性、互补的预筛查工具，以增强传统的GIST风险分层，并可能指导辅助治疗持续时间。
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。
图像预处理与特征提取
标准化WSI并为深度学习模型生成特征。
使用STAMP管道进行图像分割和背景去除，使用CONCH提取特征。
突变预测模型训练与验证
从WSI预测KIT和PDGFRA突变状态。
使用ViT分类器在手术切除样本上训练突变预测模型，并使用地理分离的外部验证队列进行验证。
治疗敏感性预测
预测GIST对阿伐替尼和伊马替尼的敏感性。
将突变分组为治疗敏感性类别，并训练DL模型进行预测。
RFS预后模型
预测无复发生存期并评估DL评分的预后价值。
使用基于注意力的多实例学习模型预测RFS，并与临床病理模型（如有丝分裂计数、AFIP标准）进行比较。
可解释性分析
识别模型关注的形态学特征。
使用Grad-CAM热图和最高排名的图像块进行专家病理学家定性评估。
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。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 全切片成像 | 滨松NanoZoomer | Hamamatsu | -- |
| 3dhistech Pannoramic | 3dhistech | -- | |
| Aperio AT2 | Aperio | -- | |
| 数据管理 | GraDaCu | -- | -- |
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 |
|---|---|
| 患者队列 | GIST诊断标准（KIT和/或DOG1免疫染色阳性）、样本来源（手术切除或活检）、治疗史（化疗和TKI初治） 阅读提示：Materials and Methods: Patient data acquisition |
| 图像预处理 | 扫描仪型号、放大倍数（40×）、染色类型（H&E或HES） 阅读提示：Materials and Methods: Whole-slide digitization, Data preprocessing—WSI |
| 突变预测模型 | 训练/验证/外部验证队列的划分（地理划分）、突变类别定义、模型架构（ViT）、训练参数（batch size, epochs, learning rate） 阅读提示：Materials and Methods: Mutation/clinical classification model |
| 治疗敏感性预测 | 治疗敏感性类别的定义（avapritinib-sensitive, imatinib-sensitive, imatinib dose adjustment） 阅读提示：Materials and Methods: Mutation/clinical classification model; Results: DL predicts clinically actionable alterations from pathology slides |
| RFS预测模型 | 随访时间≥12个月、C1/C2/C3队列定义、Cox模型协变量（年龄、性别、突变状态、辅助治疗） 阅读提示：Materials and Methods: RFS model |