基于组织学图像和深度学习的弥漫性大B细胞淋巴瘤的临床病理特征及总生存期和2年内死亡的预测

背景：弥漫性大B细胞淋巴瘤（DLBCL）是最常见的淋巴瘤之一。迄今为止，仅使用苏木精-伊红（H&E）组织学图像无法识别哪些DLBCL患者具有侵袭性临床病程。方法：本研究使用H&E图像、计算机视觉和深度学习预测DLBCL的预后。该系列包括114例DLBCL病例，根据总生存期分为两个预后组，以及44例反应性淋巴组织病例。结果：曲线拟合和斜率分析显示在2年（24个月）处有一个拐点，将具有侵袭性临床病程的患者（“2年内死亡”，b1 = −0.024）与其余具有中度临床病程的患者（“其他”，b1 = −0.003）区分开来。使用了20种不同的卷积神经网络（CNN），并应用了可解释人工智能（XAI）。基于DarkNet-19的最终模型以高性能预测预后组（测试集准确率=96.3%）。其他性能参数为精确率（94.5%）、召回率（95.0%）、假阳性率（3.1%）、特异度（96.9%）和F1分数（94.7%）。XAI，包括grad-CAM、遮挡敏感性和image-LIME，证实CNN关注了正确的区域。还成功进行了混合划分以防止信息泄漏，基于患者的分析，DLBCL与44例反应性淋巴组织之间的图像分类，以及超参数调整。与临床病理特征的相关性发现，2年内死亡组与III–IV期、国际预后指数（IPI）高+高中危、疾病进展、非GCB细胞起源、CD10−、BCL2+和EB病毒（EBER）+相关。对微环境、免疫检查点、细胞周期和生发中心标志物的分析显示，2年内死亡组的IL10、PD-L1和CD163水平更高，E2F1蛋白表达更低。在定量水平上，Ki67、CSF1R、CASP8、TNFAIP8、LMO2、MYC、MDM2、CDK6和TP53标志物没有发现差异。结论：可以使用H&E组织学图像和深度学习，利用2年（24个月）时间点（类似于POD24）预测DLBCL的总生存期。该训练的CNN未来可用作迁移学习的预训练模型。