如何做網(wǎng)站數(shù)據(jù)庫朝陽區(qū)搜索優(yōu)化seosem
小羅碎碎念
這一期推文分享的文獻是2022年發(fā)表于 Journal of Translational Medicine 的一篇文章，目前IF=6.1。
這篇文章值得剛?cè)腴T病理AI領(lǐng)域的老師/同學(xué)仔細研讀，因為思路清晰，該講到的流程基本都涉及了，詳細講述了病理圖像的各種紋理特征，并給出了具體的計算方式。
此外，還介紹了如何將提取出的紋理特征與基因測序數(shù)據(jù)結(jié)合起來。并且值得一提的是，這里用的測序數(shù)據(jù)有一部分還是來源于TCGA的，所以想用公開數(shù)據(jù)集的也可以參考一下這篇文章。
文獻概述
這篇文章是關(guān)于一項多中心、回顧性研究，研究了多尺度病理圖像紋理特征（Multi-scale pathology image texture signature，簡稱MPIS）對可切除肺腺癌（Lung adenocarcinoma, LUAD）預(yù)后的影響。
| 角色 | 姓名 | 單位 |
|---|---|---|
| 第一作者 | Yumeng Wang | 桂林電子科技大學(xué)計算機科學(xué)與工程學(xué)院，中國 |
| 通訊作者1 | Cheng Lu | 廣東省人民醫(yī)院放射科，廣東省醫(yī)學(xué)科學(xué)院，中國 |
| 通訊作者2 | Zhenhui Li | 廣東省人民醫(yī)院放射科，廣東省醫(yī)學(xué)科學(xué)院，中國 |
| 通訊作者3 | Lixu Yan | 廣東省人民醫(yī)院病理科，廣東省醫(yī)學(xué)科學(xué)院，中國 |
| 通訊作者4 | Zaiyi Liu | 廣東省人民醫(yī)院放射科，廣東省醫(yī)學(xué)科學(xué)院，中國 |
| 通訊作者5 | Zhenbing Liu | 桂林電子科技大學(xué)計算機科學(xué)與工程學(xué)院，中國 |
背景
肺腺癌是最常見的肺癌亞型，具有最高的死亡率。腫瘤組織形態(tài)學(xué)分析在預(yù)測肺腺癌的預(yù)后中起著重要作用。
先前研究表明，計算機提取的圖像紋理特征與預(yù)后結(jié)果相關(guān)。然而，目前尚缺乏一個全面、定量且可解釋的預(yù)測指標。
方法
研究者從四個獨立隊列中納入了可切除LUAD患者。
他們設(shè)計了一個自動化流程，用于從蘇木精-伊紅（Hematoxylin and eosin, H&E）染色的全切片圖像（Whole slide images, WSIs）中提取腫瘤區(qū)域的紋理特征，這些圖像在多種放大倍數(shù)下被分析。
通過最小絕對收縮和選擇算子（LASSO）方法選擇了與總生存期（Overall survival, OS）相關(guān)的判別性紋理特征來構(gòu)建MPIS。
通過單變量和多變量分析評估了MPIS對OS的預(yù)后價值，并構(gòu)建了一個包含臨床病理變量和MPIS的Cox比例風(fēng)險模型，以評估MPIS是否能改善預(yù)后分層。
結(jié)果
研究選擇了一組八個紋理特征來構(gòu)建MPIS。
在多變量分析中，MPIS越高與發(fā)現(xiàn)隊列（Discovery set）和三個外部驗證隊列（Validation sets）中顯著較差的OS相關(guān)。將MPIS與臨床病理變量結(jié)合的模型在發(fā)現(xiàn)隊列和三個外部驗證隊列中對OS的區(qū)分能力比基于臨床病理變量的模型更好。
此外，研究還進行了組織基因組學(xué)分析，探索了紋理特征與生物途徑之間的關(guān)聯(lián)。
結(jié)論
MPIS是一個獨立、穩(wěn)健且可解釋的預(yù)后生物標志物。將MPIS與臨床病理變量結(jié)合使用，可以改善可切除LUAD的預(yù)后分層，并可能有助于提高個性化術(shù)后護理的質(zhì)量。
文章還詳細討論了研究方法、患者納入標準、圖像獲取和處理、紋理特征的提取和選擇、統(tǒng)計分析等方法學(xué)細節(jié)。
一、背景
肺癌是全球最常見的惡性腫瘤之一，具有最高的死亡率[1, 2]。
肺腺癌（LUAD）是肺癌最常見的亞型[3]，占所有肺癌類型的40%，非小細胞肺癌的超過55%。對于可切除的LUAD患者，手術(shù)切除以達到治愈目的是標準治療方法[4]，但仍有相當一部分患者在完全切除腫瘤后發(fā)生疾病復(fù)發(fā)并死亡[5]。
腫瘤-淋巴結(jié)-轉(zhuǎn)移（TNM）分期[6]和腫瘤分化程度傳統(tǒng)上被認為是重要的術(shù)后預(yù)后因素，但由于腫瘤異質(zhì)性，即使在相同的TNM分期和腫瘤分化程度下，LUAD患者的術(shù)后預(yù)后也存在顯著差異[7]。因此，需要一種新的預(yù)后生物標志物來量化腫瘤的生物行為，以便在可切除的LUAD中進行精確的風(fēng)險分層。
組織病理學(xué)切片，提供腫瘤及其微環(huán)境在組織和細胞層面的形態(tài)學(xué)信息，是肺癌診斷的黃金標準[8, 9]。腫瘤的發(fā)生和生長高度依賴于與其相關(guān)微環(huán)境的相互作用[10]。通常，病理學(xué)家在顯微鏡下從低倍到高倍觀察蘇木精-伊紅（H&E）染色的切片，以定性評估腫瘤的組織病理學(xué)模式，這在一定程度上有助于預(yù)測癌癥行為。然而，手動評估耗時且主觀。此外，復(fù)雜的組織病理學(xué)切片中存在許多亞視覺屬性的腫瘤[11]，允許對腫瘤及其微環(huán)境的形態(tài)進行全面的表征。
計算機技術(shù)的快速發(fā)展[12]和數(shù)字全切片圖像（WSIs）為識別和量化與預(yù)后相關(guān)的亞視覺特征提供了機會。
例如，紋理特征可以定量測量圖像中感興趣區(qū)域內(nèi)像素強度之間的相互作用。近期研究還表明，圖像紋理分析在量化潛在的亞視覺腫瘤異質(zhì)性方面發(fā)揮著重要作用[13, 14]。
然而，這些研究僅關(guān)注單一尺度的圖像特征，如單個細胞或組織類型，忽略了多尺度信息，這可能降低結(jié)果預(yù)測的準確性。此外，從WSIs中提取的計算機深度特征也顯示出預(yù)后價值[15]。然而，深度學(xué)習(xí)模型缺乏可解釋性，可能在臨床環(huán)境中難以獲得廣泛接受[16]。因此，盡管先前的研究已經(jīng)確定了多種預(yù)后生物標志物，但在準確性和可解釋性方面仍有改進空間。
在本研究中，作者開發(fā)并驗證了一種多尺度病理圖像紋理特征簽名（簡稱MPIS），該簽名從數(shù)字H&E染色的WSIs中提取多個放大倍數(shù)的紋理特征，然后利用MPIS結(jié)合Cox比例風(fēng)險模型來預(yù)測可切除LUAD患者的總生存期（OS）。
作者假設(shè)MPIS是OS的獨立預(yù)后因素，并且將MPIS與臨床病理學(xué)變量相結(jié)合將改善可切除LUAD患者的預(yù)后分層。同時，作者還試圖證明圖像衍生的紋理特征與影響腫瘤發(fā)展的生物途徑的基因表達相關(guān)。
二、方法
2-1：患者
本研究是一項多中心研究，使用了來自四個獨立隊列的患者數(shù)據(jù)：
- 一個發(fā)現(xiàn)集（廣東省人民醫(yī)院，GDPH）
- 三個外部驗證集（云南省腫瘤醫(yī)院，YNCH；山西省腫瘤醫(yī)院，SXCH；癌癥基因組圖譜，TCGA）
作者納入了2007年至2014年間在GDPH接受手術(shù)治療的LUAD患者，2012年至2014年間在YNCH接受可切除LUAD治療的患者，以及2014年至2020年間在SXCH接受治療的患者。此外，從基因組數(shù)據(jù)公共數(shù)據(jù)門戶（https://portal.gdc.cancer.gov/）下載了TCGA數(shù)據(jù)集。
總生存期（OS），定義為從手術(shù)到死亡的時間間隔，被選為研究的終點事件。收集了基線和臨床病理學(xué)變量，包括：
- 手術(shù)時的年齡
- 性別
- 吸煙狀況
- 腫瘤部位
- 輔助化療
- 分化程度
- TNM分期
作者排除了接受新輔助治療、剩余殘留腫瘤或術(shù)后1個月內(nèi)死亡的患者。
研究中納入和排除標準如下表所示：
| 類別 | 標準 |
|---|---|
| 納入標準 | (1) 因肺腺癌接受手術(shù)治療且具有治愈目的的患者； |
| (2) 總生存期（OS）信息完整且可獲得的患者； | |
| (3) 美國癌癥聯(lián)合委員會（AJCC）TNM分期為I至III期的患者； | |
| (4) 有隨訪記錄的患者； | |
| (5) 年齡18歲及以上的患者。 | |
| 排除標準 | (1) 有既往肺部手術(shù)史、術(shù)前新輔助治療或其他惡性腫瘤的患者； |
| (2) 手術(shù)切緣有殘留腫瘤的患者； | |
| (3) 總生存期小于1個月的患者； | |
| (4) 缺少蘇木精-伊紅（H&E）染色全切片圖像（WSIs）的患者； | |
| (5) H&E染色WSIs的質(zhì)量控制：排除模糊、有人工制品、染色不良以及腫瘤組織不足的圖像。 |
這些標準確保了研究對象的一致性和研究結(jié)果的可靠性。納入標準確保了研究集中于特定類型的肺腺癌患者群體，而排除標準則排除了可能影響結(jié)果解釋的其他因素。
2-2：圖像獲取
從原發(fā)性腫瘤的H&E染色診斷組織切片中獲取數(shù)字WSIs。
H&E染色切片由Leica Aperio-AT2 USA掃描儀以40×放大倍數(shù)（0.252 μm/像素）掃描。作者通過排除模糊、含有偽影、染色不良或缺乏足夠腫瘤組織的WSIs來控制圖像質(zhì)量。
在TCGA數(shù)據(jù)集中，一些病例有多個切片（根據(jù)圖像質(zhì)量選擇一個切片進行分析）。具有5年臨床經(jīng)驗的病理學(xué)家（BB Li）和具有15年臨床經(jīng)驗的病理學(xué)家（LX Yan）審查并同意所有WSIs的圖像質(zhì)量。
此外，這些經(jīng)驗豐富的病理學(xué)家從GDPH的67個WSIs上標注了腫瘤和正常組織，以對基于ResNet50[17]的預(yù)訓(xùn)練腫瘤分割模型進行微調(diào)。
2-3：WSIs上的自動腫瘤分割
圖1展示了本研究的總體工作流程。
a. 全自動化的腫瘤區(qū)域分割：使用深度學(xué)習(xí)模型（如ResNet50），通過預(yù)訓(xùn)練和微調(diào)，自動從全切片圖像（WSIs）中分割出腫瘤區(qū)域。
b. 多尺度圖像塊提取與紋理特征提取：
- 2.5× 放大倍數(shù)：提取整個腫瘤區(qū)域的圖像，獲取全局信息。
- 10× 放大倍數(shù)：提取腫瘤區(qū)域的組織級別特征。
- 40× 放大倍數(shù)：提取細胞級別的腫瘤特征。
- 在每個放大倍數(shù)下，從腫瘤區(qū)域提取多個圖像塊，并進行顏色標準化以減少染色差異對紋理分布的影響。
c. 特征選擇（Lasso方法）：
- 使用最小絕對收縮和選擇算子（LASSO）方法，結(jié)合交叉驗證，從多尺度紋理特征中選擇與總生存期（OS）相關(guān)的判別性特征。
d. 生存分析和模型開發(fā)：
- 利用選擇出的紋理特征，構(gòu)建多尺度病理圖像紋理特征（MPIS）。
- 通過單變量和多變量Cox比例風(fēng)險模型分析，評估MPIS對OS的預(yù)后價值，并開發(fā)預(yù)后模型。
e. 組織基因組學(xué)分析：
- 基因本體（GO）富集分析：識別與紋理特征相關(guān)的生物學(xué)途徑。
- 單樣本基因集富集分析（ssGSEA）：評估生物學(xué)途徑與圖像衍生紋理特征之間的關(guān)聯(lián)，為紋理特征提供生物學(xué)解釋。
這個流程圖概括了從圖像獲取、特征提取、特征選擇、模型構(gòu)建到生物學(xué)意義解釋的完整研究過程，展示了如何將數(shù)字化病理圖像轉(zhuǎn)化為具有臨床意義的預(yù)后生物標志物，并探索其生物學(xué)基礎(chǔ)。
首先，使用ResNet50進行腫瘤區(qū)域分割。
為了減少標注工作量，作者使用了來自相似領(lǐng)域的數(shù)據(jù)進行遷移學(xué)習(xí)。作者從Camelyon16[18]數(shù)據(jù)集中獲得了270個（腫瘤=160，正常=110）乳腺癌WSIs。
然后，作者提取了數(shù)百萬個大小為224×224像素（40×放大倍數(shù)）的小陽性和小陰性圖像塊以預(yù)訓(xùn)練模型，用于分類腫瘤或正常組織。
使用來自GDPH的67個標注WSIs的100,000個圖像塊對預(yù)訓(xùn)練模型進行微調(diào)。
作者使用OTSU方法[19]獲取WSIs的組織區(qū)域掩膜。
一個大小為224×224像素的窗口在整個組織區(qū)域上滑動，無重疊區(qū)域。
作者使用訓(xùn)練好的模型預(yù)測滑動窗口下的圖像塊，并為每個圖像塊生成預(yù)測概率。進一步為每個組織病理學(xué)圖像生成預(yù)測概率熱圖。
最后，作者使用OTSU方法對預(yù)測熱圖進行二值化，并保留最大的連通區(qū)域作為每個WSI的腫瘤掩膜。
2-4：多尺度紋理特征提取
基于腫瘤區(qū)域分割的結(jié)果，作者在2.5×、10×和40×放大倍數(shù)下獲取了幾個圖像塊。
對這些圖像塊進行了顏色標準化[20]，以減少染色差異對圖像紋理分布的影響。
在2.5×放大倍數(shù)下，直接獲取整個腫瘤區(qū)域的圖像。在10×和40×放大倍數(shù)下，作者在腫瘤區(qū)域獲取了1024×1024像素大小的圖像塊。
為了在腫瘤區(qū)域內(nèi)獲取相對密集的圖像塊，本研究使用了大于75%組織面積的圖像塊。在40×放大倍數(shù)下，作者隨機采樣了200個圖像塊，以減少每個WSI的計算時間并避免潛在的主觀偏差[14]。
作者自動提取了每個尺度下腫瘤區(qū)域的68個紋理特征，包括：
- 一階統(tǒng)計量（n=17）
- 灰度共生矩陣（GLCM，n=7）
- 灰度行程長度矩陣（GLRLM，n=44）紋理特征
一階統(tǒng)計量特征描述了圖像區(qū)域內(nèi)像素強度的分布?；贕LCM的特征考慮了在一定距離內(nèi)像素灰度的變化。基于GLRLM的特征量化了定義為相同灰度連續(xù)像素數(shù)量的灰度行程。
總的來說，在三個尺度（即2.5×、10×和40×放大倍數(shù)）上共提取了204個紋理特征。
知識點補充
在數(shù)字圖像處理和紋理分析中，一階統(tǒng)計量特征、基于灰度共生矩陣（GLCM）的特征和基于灰度行程長度矩陣（GLRLM）的特征是常用的紋理描述符，用于定量分析圖像的紋理特性。
-
一階統(tǒng)計量特征（First-order statistics features）：
- 這類特征直接從圖像的灰度值出發(fā)，不考慮像素之間的空間關(guān)系。
- 包括圖像的平均亮度（mean）、標準差（standard deviation）、偏度（skewness）、峰度（kurtosis）、最小和最大灰度值等。
- 它們描述了圖像灰度值的分布特性，可以反映圖像的明暗、對比度和分布形狀。
-
基于灰度共生矩陣的特征（Features based on Gray Level Co-occurrence Matrix, GLCM）：
- 這類特征考慮了像素與其鄰近像素的空間關(guān)系，通過計算不同灰度值在特定方向和距離上共同出現(xiàn)的頻率來構(gòu)建共生矩陣。
- 從GLCM中可以提取多種特征，如能量（energy）、均勻性（homogeneity）、對比度（contrast）、相關(guān)性（correlation）和方向性（directionality）等。
- 這些特征能夠描述圖像紋理的粗糙度、平滑度、局部變化和模式等。
-
基于灰度行程長度矩陣的特征（Features based on Gray Level Run Length Matrix, GLRLM）：
- 這類特征關(guān)注的是圖像中灰度值相同的像素序列（行程）的長度和分布。
- 通過統(tǒng)計圖像中連續(xù)具有相同灰度值的像素個數(shù)，構(gòu)建行程長度矩陣。
- 從GLRLM中提取的特征包括短行程突出度（short run emphasis）、長行程突出度（long run emphasis）、行程長度非均勻性（run length nonuniformity）和行程大小（run size）等。
- 這些特征可以反映紋理的粗糙度、紋理的連續(xù)性和紋理的復(fù)雜性。
每種特征提取方法都有其獨特的優(yōu)勢和應(yīng)用場景，通常結(jié)合使用這些特征可以更全面地描述和分析圖像的紋理信息。在病理學(xué)圖像分析中，這些特征有助于揭示組織結(jié)構(gòu)和細胞形態(tài)的細微變化，從而可能與疾病的診斷和預(yù)后相關(guān)聯(lián)。
一階統(tǒng)計量特征
一階統(tǒng)計量特征（First-order statistics features）是圖像處理中最基本的紋理分析工具，它們描述了圖像中像素灰度值的分布情況，不涉及像素間的相對位置或空間關(guān)系。
- Minimum (最小值): 圖像中所有像素灰度值的最小值。
- Maximum (最大值): 圖像中所有像素灰度值的最大值。
- Mean (均值): 圖像中所有像素灰度值的平均值。
- Median (中位數(shù)): 將圖像所有像素灰度值排序后位于中間位置的值。
- Range (范圍): 圖像灰度值的最大值與最小值之差，表示灰度變化的范圍。
- 10th Percentile (第10百分位數(shù)): 將所有像素灰度值排序后，有10%的值小于此數(shù)值。
- 90th Percentile (第90百分位數(shù)): 有90%的像素灰度值小于此數(shù)值。
- Interquartile Range (四分位距): 第75百分位數(shù)與第25百分位數(shù)之間的差值，表示中間50%像素灰度值的分布范圍。
- Energy (能量): 也稱為方差，描述灰度值分布的集中程度。
- Entropy (熵): 表示圖像灰度值分布的隨機性和復(fù)雜性。
- Uniformity (均勻性): 描述圖像灰度值分布的一致性或均勻性。
- Skewness (偏度): 描述灰度值分布的不對稱性，表明圖像灰度值分布的偏斜方向和程度。
- Kurtosis (峰度): 描述灰度值分布的尖銳程度或平坦程度，與分布的“峰”的形狀有關(guān)。
- Variance (方差): 描述圖像灰度值的離散程度，即各像素灰度值與均值的偏差平方的平均值。
- Standard Deviation (標準差): 方差的平方根，同樣描述灰度值的離散程度。
- Root Mean Squared (RMS, 均方根): 所有像素灰度值偏差平方的平均數(shù)的平方根，與標準差相似，描述灰度值的波動大小。
- Mean Absolute Deviation (MAD, 平均絕對偏差): 所有像素灰度值與均值差的絕對值的平均值，是另一種描述灰度值分布離散程度的度量。
這些一階統(tǒng)計量特征為圖像提供了豐富的信息，可以用來分析圖像的紋理特性，如粗糙度、均勻性、復(fù)雜性等，它們在圖像分析、圖像理解以及圖像分類等領(lǐng)域有著廣泛的應(yīng)用。在醫(yī)學(xué)圖像分析中，這些特征有助于識別和區(qū)分不同的組織類型和病變狀態(tài)。
基于灰度共生矩陣的特征
基于灰度行程長度矩陣的特征
2-5：特征選擇和特征簽名構(gòu)建
為了使特征數(shù)量與樣本大小成比例，作者通過十折交叉驗證的套索（LASSO）方法從發(fā)現(xiàn)集中選擇了與預(yù)后相關(guān)的特征（圖1c）。
在特征選擇之前，作者根據(jù)Z-score方法對特征值進行了標準化。此外，可視化與預(yù)后相關(guān)的紋理特征至關(guān)重要，以便所有臨床醫(yī)生都能理解它們。作者通過小提琴圖和特征熱圖對所選紋理特征進行了量化和可視化。
MPIS通過判別性紋理特征及其相應(yīng)系數(shù)的加權(quán)線性組合計算得出。發(fā)現(xiàn)集中的MPIS中值被確定為區(qū)分風(fēng)險水平患者的截止值，任何大于截止值的值被歸類為高風(fēng)險，任何等于或小于截止值的值被歸類為低風(fēng)險。從發(fā)現(xiàn)集中確定的閾值然后應(yīng)用于外部驗證集，以區(qū)分高風(fēng)險和低風(fēng)險組。
2-6：組織基因組分析
對于TCGA隊列，匹配生存分析中的TCGA數(shù)據(jù)量后，有244名患者具有歸一化的信使核糖核酸（mRNA）表達數(shù)據(jù)。
作者移除了在患者樣本中mRNA表達水平為0的基因，以探索生物途徑的基因表達與組織病理學(xué)圖像衍生的紋理特征之間的關(guān)聯(lián)。
首先，根據(jù)MPIS將患者分為高風(fēng)險或低風(fēng)險。作者使用Wilcoxon秩和檢驗來識別在高風(fēng)險和低風(fēng)險組之間顯著差異表達的基因。使用Benjamini & Hochberg方法調(diào)整P值。
然后，作者使用差異表達基因（DEGs）進行基因本體（GO）富集分析[21]，以識別基因集中過度表達的生物途徑?；诖_定的途徑，作者選擇了可能代表與腫瘤生長和發(fā)展相關(guān)的生物過程的途徑。
最后，作者通過單樣本基因集富集分析（ssGSEA）[22]評估生物途徑的基因表達與圖像衍生的紋理特征之間的關(guān)聯(lián)。每個基因集中的每個患者的ssGSEA富集分數(shù)計算，這評估了基因集中成員基因在樣本中的協(xié)調(diào)上調(diào)或下調(diào)程度。
作者使用Wilcoxon秩和檢驗來選擇與圖像衍生的紋理特征顯著差異表達的途徑。
2-7：統(tǒng)計分析
分類數(shù)據(jù)以計數(shù)（百分比）報告。
四個隊列之間年齡、性別、吸煙狀況、腫瘤部位、治療、分化程度和TNM分期的差異通過Pearson卡方檢驗或Fisher精確檢驗進行評估，視情況而定。不同腫瘤分化程度對應(yīng)的MPIS數(shù)據(jù)分布也通過獨立樣本t檢驗進行分析。
作者使用對數(shù)秩檢驗來估計高風(fēng)險和低風(fēng)險組之間的OS差異，進行Kaplan–Meier生存分析。MPIS和其他臨床變量（即年齡、性別、吸煙狀況、腫瘤部位、治療、分化程度和TNM分期）的預(yù)后能力通過單變量分析進行評估。然后，在多變量分析中采用單變量分析中P<0.05的因素。在多變量分析中，使用赤池信息準則（AIC）來確定和評估獨立的預(yù)后因素。
在發(fā)現(xiàn)集中，通過納入多變量分析中選擇的獨立因素建立了完整模型，并通過獨立臨床病理學(xué)變量建立了臨床模型。完整模型和臨床模型在三個獨立的外部驗證集中進行了驗證。使用Harrell的一致性指數(shù)（C指數(shù)）來確定模型的判別能力。使用時間依賴的受試者工作特征（ROC）曲線和5年OS下的曲線下面積（AUC）來評估預(yù)后準確性。
作者使用R軟件（版本4.1.2，http://www.R-project.org[23]）進行統(tǒng)計分析。用于統(tǒng)計分析的R軟件包包括glmnet、cutof、survival、survminer、rms、timeROC 和 vioplot。當雙尾P值小于0.05時，認為因素具有統(tǒng)計學(xué)意義。
綜上所述，本研究通過多中心隊列研究，開發(fā)并驗證了一種基于多尺度病理圖像紋理特征的多尺度病理圖像紋理特征簽名（MPIS），用于預(yù)測可切除肺腺癌（LUAD）患者的總生存期（OS）。
研究流程包括腫瘤區(qū)域的自動分割、多尺度紋理特征的提取、特征選擇和簽名構(gòu)建，以及與臨床病理學(xué)變量的整合，以改善LUAD患者的預(yù)后分層。
此外，本研究還探索了圖像衍生的紋理特征與生物途徑基因表達之間的關(guān)聯(lián)，并通過統(tǒng)計分析方法評估了MPIS的預(yù)后準確性。這項工作不僅為LUAD的預(yù)后評估提供了新的視角，而且為理解腫瘤異質(zhì)性和發(fā)展個性化醫(yī)療策略提供了有價值的數(shù)據(jù)。
三、結(jié)果
3-1：患者
本研究在應(yīng)用所有納入和排除標準后，總結(jié)了合格的患者。
發(fā)現(xiàn)集（n=111）來自GDPH，用于特征發(fā)現(xiàn)和模型訓(xùn)練。三個獨立隊列用于驗證訓(xùn)練好的模型，分別來自YNCH、SXCH和TCGA。這三個隊列分別表示為外部驗證集V1（n=115）、外部驗證集V2（n=116）和外部驗證集V3（n=246）。
表1顯示了四個隊列中人口統(tǒng)計學(xué)和臨床病理學(xué)變量的詳細分布。
-
患者數(shù)量：發(fā)現(xiàn)集（Discovery set）有111名患者，而三個外部驗證集（Validation sets）分別有115（V1）、116（V2）和246（V3）名患者。
-
年齡分布：
- 發(fā)現(xiàn)集中65歲以下的患者占36.9%，而65歲及以上的患者占63.1%。
- 在外部驗證集中，V1的65歲以下患者比例最低，為16.5%，而V3的65歲以下患者比例最高，為50.4%。
-
性別分布：
- 所有集中男性患者的比例在44.7%到52.3%之間，女性患者的比例在47.7%到55.3%之間，性別分布相對均衡。
-
吸煙狀態(tài)：
- 在所有集中，吸煙狀態(tài)已知的患者中，曾經(jīng)吸煙的患者比例從V1的35.7%到V3的86.6%不等，顯示出顯著差異。
-
腫瘤位置：
- 上/中葉腫瘤和下葉腫瘤的分布沒有明顯模式，但在V3中，下葉腫瘤的比例稍高。
-
治療方式：
- 手術(shù)治療的患者比例在68.5%到83.5%之間，而接受手術(shù)加化療的患者比例在16.5%到31.5%之間。
-
分化程度：
- 發(fā)現(xiàn)集中77.5%的患者腫瘤分化程度為G1/G2（良好或中度分化），而22.5%為G3/G4（分化不良）。
- 在外部驗證集中，分化程度的數(shù)據(jù)不可用（NA）。
-
TNM分期：
- 在所有集中，I期患者的比例在42.2%到71.2%之間，II期和III期患者的比例較低。
-
統(tǒng)計學(xué)顯著性：
- 除了性別（P=0.1603）和腫瘤位置（P=0.2230）之外，其他所有臨床特征在四個集中都顯示出顯著差異。
-
P值：
- 使用Pearson卡方檢驗或Fisher精確檢驗評估了不同集中變量的差異，P值小于0.05被認為是統(tǒng)計學(xué)上顯著的。
這個表格提供了不同數(shù)據(jù)集中患者特征的詳細比較，有助于了解研究的包容性和不同數(shù)據(jù)集之間的可比性。通過這些數(shù)據(jù)，研究人員可以評估不同患者群體的預(yù)后因素，并調(diào)整分析以確保結(jié)果的準確性和可靠性。
除了性別（P=0.1603）和腫瘤部位（P=0.2230）外，四個隊列之間在所有包括的臨床特征上均觀察到顯著差異。
3-2：特征選擇和簽名構(gòu)建
使用LASSO方法從204個多尺度紋理特征中選擇了一組八個潛在預(yù)測因子。
Table S1 提供了所選紋理特征的具體定義，這些特征是從病理圖像中提取的，用于研究肺腺癌的預(yù)后因素。
-
glrlm_SRLGLE_90_2.5: 在2.5倍放大倍率下，灰度運行長度矩陣（GLRLM）中90度方向的短運行低灰度強調(diào)（Short Run Low Gray Level Emphasis）。
-
glrlm_SRLGLE_90_40: 在40倍放大倍率下，GLRLM中90度方向的SRLGLE。
-
glcm_dissimilarity_2.5: 在2.5倍放大倍率下，灰度共生矩陣（GLCM）的不相似性（Dissimilarity）。
-
Kurtosis_10: 在10倍放大倍率下，灰度值的峰度（Kurtosis）。
-
glrlm_LRHGLE_90_2.5: 在2.5倍放大倍率下，GLRLM中90度方向的長運行高灰度強調(diào)（Long Run High Gray Level Emphasis）。
-
glrlm_SRE_0_40: 在40倍放大倍率下，GLRLM中0度方向的短運行強調(diào)（Short Run Emphasis）。
-
glcm_ASM_2.5: 在2.5倍放大倍率下，GLCM的角度二階矩（Angular Second Moment）。
-
Percentile_10th_40: 在40倍放大倍率下，灰度值的第10百分位數(shù)（10th Percentile）。
這些特征通過不同的數(shù)學(xué)和統(tǒng)計方法從病理圖像的紋理中提取出來，反映了圖像的灰度分布、紋理的均勻性、方向性以及灰度值的分布特性。它們可以用于病理圖像分析，幫助研究者識別和預(yù)測肺腺癌的預(yù)后。
這些紋理特征及其相應(yīng)的回歸系數(shù)如圖1所示。MPIS通過這些特征值的線性組合計算得出，權(quán)重由相應(yīng)的回歸系數(shù)確定。發(fā)現(xiàn)集中MPIS的中值（-0.061）被用作區(qū)分患者的截止值。
如圖2所示，作者量化和可視化了在高風(fēng)險和低風(fēng)險組之間觀察到顯著差異的圖像紋理特征。
低風(fēng)險示例在特征glrlm_SRLGLE_90_2.5、glrlm_SRLGLE_90_40、glcm_dissimilarity_0_2.5和Kurtosis_10的值上高于高風(fēng)險示例（圖2(a-d)），
而在特征glrlm_LRHGLE_90_2.5、glrlm_SRE_0_40、glcm_ASM_0_2.5和Percentile_10th_40的值上低于高風(fēng)險示例（圖2(e-h)）。
3-3：MPIS的評估和驗證
MPIS預(yù)測OS的Kaplan-Meier曲線顯示，低風(fēng)險組的生存率明顯優(yōu)于高風(fēng)險組（圖3）。
在單變量分析中，MPIS在四個隊列中均具有統(tǒng)計學(xué)意義，如表2所示。
在發(fā)現(xiàn)集中，MPIS與OS相關(guān)（風(fēng)險比[HR]，9.90；95%置信區(qū)間[CI]，3.44-28.49；P<0.0001）。
此外，MPIS在外部驗證集V1（HR，2.36；95%CI，1.08-5.16；P=0.0312）、外部驗證集V2（HR，3.47；95%CI，1.60-7.52；P=0.0016）和外部驗證集V3（HR，2.57；95%CI，1.59-4.17；P=0.0001）上也與OS相關(guān)。
進行了多變量分析，使用了在單變量分析中達到統(tǒng)計學(xué)意義（P<0.05）的因素（治療、TNM分期、分化、MPIS）。
在多變量分析中，作者進一步證明MPIS是發(fā)現(xiàn)集（HR，5.32；95% CI 1.17-16.44；P=0.0037）、外部驗證集V1（HR，2.63；95% CI 1.10-6.29；P=0.0292）、外部驗證集V2（HR，2.99；95% CI 1.34-6.66；P=0.0075）和外部驗證集V3（HR，1.93；95% CI 1.15-3.23；P=0.0125）的獨立預(yù)后因素。
MPIS可以預(yù)測TNM分期I和早期（TNM分期I和II）LUAD患者的OS（附加文件1：圖S2，S3）。
對于早期LUAD患者，高風(fēng)險組的生存結(jié)果明顯不如低風(fēng)險組。盡管在外部驗證集V1中沒有發(fā)現(xiàn)MPIS與OS的統(tǒng)計學(xué)關(guān)聯(lián)（P=0.13），作者仍可觀察到高風(fēng)險組預(yù)后不良的明顯趨勢。
對于TNM分期I的LUAD患者，低風(fēng)險組預(yù)后較好。此外，當根據(jù)臨床病理學(xué)變量分層患者時，包括年齡（≥65歲或<65歲）、性別（女性或男性）、吸煙狀況（曾吸煙或從未吸煙）、治療（僅手術(shù)或接受化療）和分化程度（良好/中度分化或不良未分化），MPIS與OS在大多數(shù)亞組中相關(guān)（附加文件1：圖S4-S8）。
此外，MPIS在外部驗證集V1、V2和V3中均顯著高于不良未分化組，與良好/中度分化組相比（附加文件1：圖S4）。
圖4展示了多尺度病理圖像紋理特征（MPIS）在不同分化程度的肺腺癌（LUAD）患者中的分布情況。
- 分化程度的分組：
- LUAD患者根據(jù)腫瘤的分化程度分為兩組：G1/G2（良好至中度分化）和G3/G4（分化不良）。
- MPIS分布差異：
- 圖4顯示了在發(fā)現(xiàn)集（a）、外部驗證集V1（b）和外部驗證集V2（c）中，G1/G2組與G3/G4組之間MPIS分布的顯著差異。
- 統(tǒng)計顯著性：
- 發(fā)現(xiàn)集中G1/G2組與G3/G4組之間MPIS的差異非常顯著（P<0.0001），表明MPIS在不同分化程度的腫瘤中具有顯著不同的分布特征。
- 外部驗證集V1中也觀察到顯著差異（P=0.0314）。
- 分化程度與預(yù)后的關(guān)系：
- 通常，腫瘤的分化程度越低（G3/G4），其預(yù)后越差。圖4的分析結(jié)果支持這一觀點，因為分化不良的患者組（G3/G4）MPIS值顯著高于分化較好的患者組（G1/G2）。
- MPIS作為預(yù)后指標的潛力：
- MPIS在不同分化程度的腫瘤中的分布差異表明，它可能作為一個有用的預(yù)后指標，幫助區(qū)分患者的預(yù)后風(fēng)險。
- 顏色編碼：
- 特征映射圖中的顏色編碼（紅色、橙色、綠色和藍色）代表圖像中灰度級的變化，從低到高，這有助于直觀地識別腫瘤區(qū)域的紋理特征。
- 獨立樣本t檢驗：
- 用于計算P值的獨立樣本t檢驗是一種統(tǒng)計方法，用于比較兩組之間平均值的差異。
- 研究結(jié)論：
- 該分析結(jié)果進一步支持了MPIS作為肺腺癌預(yù)后生物標志物的潛力，并可能有助于指導(dǎo)臨床決策和個性化治療策略。
圖4的分析結(jié)果強調(diào)了MPIS在區(qū)分不同分化程度的肺腺癌患者中的潛在價值，并為未來的研究和臨床實踐提供了有價值的信息。
綜上所述，本研究的結(jié)果表明，基于多尺度病理圖像紋理特征的多尺度病理圖像紋理特征簽名（MPIS）能夠有效預(yù)測可切除肺腺癌（LUAD）患者的總生存期（OS）。
MPIS在發(fā)現(xiàn)集和所有外部驗證集中均顯示出與OS的顯著相關(guān)性，且在多變量分析中作為獨立預(yù)后因素。此外，MPIS在早期LUAD患者中也顯示出良好的預(yù)測能力，且與不良預(yù)后相關(guān)的特征在不同亞組中保持一致。
這些發(fā)現(xiàn)支持MPIS作為LUAD患者預(yù)后評估和風(fēng)險分層的一個有價值的工具，并為個性化醫(yī)療策略的發(fā)展提供了科學(xué)依據(jù)。
3-4：評價和驗證完整模型
基于赤池信息準則（AIC）的逐步回歸方法識別了獨立預(yù)后因素，包括MPIS、分化和TNM分期（表2）。
在發(fā)現(xiàn)集中，作者建立了包含上述獨立因素的完整模型，并建立了包含兩個臨床病理學(xué)變量（即分化和TNM分期）的臨床模型。觀察到完整模型的C指數(shù)（0.837；95% CI 0.784–0.890；表3）高于臨床模型（C指數(shù)，0.798；95% CI 0.729–0.867），完整模型的AIC值小于臨床模型（235.991 vs. 244.905；表3）。
因此，完整模型在區(qū)分和校準方面優(yōu)于臨床模型。同時，作者還證明了將MPIS整合到臨床模型中顯著提高了OS的預(yù)測能力（P=0.0010，似然比檢驗），如表3所示。
繪制了60個月的時間依賴性ROC曲線和不同時間點的時間依賴性AUC曲線，如圖5a所示。
完整模型（AUC，0.890；95%CI，0.822–0.958；對于5年OS）在預(yù)測性能上明顯優(yōu)于臨床模型（AUC，0.843；95%CI，0.759–0.927；對于5年OS）。此外，作者還以諾模圖的形式可視化了完整模型和臨床模型，以方便應(yīng)用完整模型（附加文件1：圖S9）。
作者進一步驗證了完整模型在獨立的外部驗證集（表3）中的性能。完整模型在外部驗證集V1和V2中均顯示出更好的區(qū)分和校準能力（V1：C指數(shù)，0.704 vs. 0.679；P<0.0001，似然比；AIC，219.568 vs. 222.908；V2：0.728 vs. 0.666；P<0.0001；AIC，307.537 vs. 313.815）。
在圖5b和c中，AUC曲線顯示，完整模型在兩個外部驗證集的每個時間點上都表現(xiàn)出更好的性能（V1：AUC，0.732 vs. 0.708；對于5年OS；V2：AUC，0.789 vs. 0.658）。
此外，由于外部驗證集V3中缺乏與腫瘤分化相關(guān)的信息，因此完整模型僅包含兩個變量（即TNM分期和MPIS），而臨床模型僅包含一個變量（即TNM分期）。
觀察到完整模型（C指數(shù)，0.696 vs. 0.669；AIC，717.869 vs. 722.453；似然比，P<0.0001；AUC，0.706 vs. 0.671；對于3年OS）在區(qū)分和校準方面仍優(yōu)于臨床模型（表3，圖5d）。
為了進一步證明MPIS的增量價值，作者還從每個尺度選擇了特征，計算了相應(yīng)的單尺度病理圖像簽名，并構(gòu)建了包括2.5×模型、10×模型和40×模型的單尺度模型。在每個尺度上選擇的特征及其相應(yīng)的系數(shù)在附加文件1：表S3-S5中詳細列出。
2.5×、10×和40×放大倍數(shù)的單尺度紋理簽名與發(fā)現(xiàn)集和三個外部驗證集的OS相關(guān)（附加文件1：圖S10-S12）。
與單尺度模型相比，完整模型在大多數(shù)時間點的AUC值仍然較高（附加文件1：圖S13）。
3-5：組織基因組分析
轉(zhuǎn)錄組數(shù)據(jù)包括來自TCGA-LUAD的19,645個注釋基因。
作者進行了差異基因表達分析，并發(fā)現(xiàn)了194個在MPIS定義的高風(fēng)險和低風(fēng)險組之間差異表達的基因。這些DEGs通過GO富集分析識別了16個顯著的生物途徑。這些顯著的途徑涉及細胞因子活性、細胞增殖、代謝、生長、分裂和細胞外基質(zhì)結(jié)構(gòu)，它們被認為是與腫瘤生長和發(fā)展相關(guān)的。
具體來說，DEGs在生物途徑中顯著富集，如體液免疫響應(yīng)、肽酶活性的調(diào)節(jié)、信號釋放和細胞外結(jié)構(gòu)組織（附加文件1：圖S14）。
DEGs和途徑的完整列表在附加文件2中呈現(xiàn)。
此外，作者還評估了生物途徑的基因表達與圖像衍生的紋理特征之間的關(guān)系，使用單樣本基因集富集分析（ssGSEA）。
作者使用16個生物途徑計算了用于構(gòu)建MPIS的8個紋理特征的富集分數(shù)。如圖6所示，從組織病理學(xué)圖像中提取的腫瘤區(qū)域紋理特征（即glrlm_SRLGLE_90_2.5、glcm_ASM_0_2.5和Percentile_10th_40）與細胞外結(jié)構(gòu)組織、細胞骨架的結(jié)構(gòu)成分、激素活性和細胞外基質(zhì)結(jié)構(gòu)成分等生物途徑顯著相關(guān)。
綜合上述結(jié)果，本研究通過開發(fā)和驗證了一種多尺度病理圖像紋理特征簽名（MPIS），該簽名能夠有效預(yù)測可切除肺腺癌（LUAD）患者的總生存期（OS）。MPIS在發(fā)現(xiàn)集和所有外部驗證集中均顯示出與OS的顯著相關(guān)性，且在多變量分析中作為獨立預(yù)后因素。
此外，MPIS在早期LUAD患者中也顯示出良好的預(yù)測能力，且與不良預(yù)后相關(guān)的特征在不同亞組中保持一致。這些發(fā)現(xiàn)支持MPIS作為LUAD患者預(yù)后評估和風(fēng)險分層的一個有價值的工具，并為個性化醫(yī)療策略的發(fā)展提供了科學(xué)依據(jù)。
組織基因組分析進一步證實了MPIS與影響腫瘤生長和發(fā)展的關(guān)鍵生物途徑之間的關(guān)聯(lián)。
這些生物途徑包括細胞因子活性、細胞增殖、代謝、生長、分裂和細胞外基質(zhì)結(jié)構(gòu)，與MPIS的預(yù)測能力相一致。此外，ssGSEA分析表明，從組織病理學(xué)圖像中提取的紋理特征與這些關(guān)鍵生物途徑的基因表達密切相關(guān)，這進一步驗證了MPIS的生物學(xué)相關(guān)性。
綜上所述，本研究的結(jié)果表明，MPIS不僅能夠準確預(yù)測LUAD患者的預(yù)后，而且還能夠提供有關(guān)腫瘤生物學(xué)行為的有用信息。這些發(fā)現(xiàn)對于指導(dǎo)臨床決策和開發(fā)個性化的治療策略具有重要意義，并為未來的研究提供了基礎(chǔ)。
四、討論
對于可切除的肺腺癌（LUAD），準確的預(yù)后能夠指導(dǎo)臨床決策并改善風(fēng)險分層。
盡管病理學(xué)家通過常規(guī)組織病理學(xué)切片的形態(tài)學(xué)檢查可以預(yù)測癌癥行為，但手動審查無法量化腫瘤的亞視覺特征。
在本研究中，作者開發(fā)了一個完全自動化的管道，通過從H&E染色的WSI中的腫瘤區(qū)域提取多尺度紋理信息來分析腫瘤及其微環(huán)境。作者使用紋理信息構(gòu)建了MPIS，并評估了其在預(yù)測可切除LUAD患者的總生存期（OS）方面的預(yù)后能力。結(jié)果顯示，MPIS是OS的獨立預(yù)后因素。
此外，將MPIS與臨床病理學(xué)變量相結(jié)合可以改善可切除LUAD的風(fēng)險分層。同時，從圖像中衍生的多尺度紋理特征與影響腫瘤發(fā)展的生物途徑相關(guān)。作者在四個獨立隊列中驗證了預(yù)后模型，包括來自TCGA隊列的大型多機構(gòu)數(shù)據(jù)。
MPIS在這四個隊列中都是OS的獨立預(yù)后因素，盡管這四個隊列之間存在統(tǒng)計學(xué)上的顯著差異（表1）。同時，作者觀察到在大多數(shù)亞組中存在顯著分層（附加文件1：圖S2–S8）。這表明MPIS是可切除LUAD中OS的穩(wěn)健預(yù)后生物標志物，并且可以很容易地推廣到其他中心。
近年來，許多組織病理學(xué)生物標志物已被開發(fā)用于預(yù)測肺癌患者的預(yù)后。
例如，Yu等人[13]和Chen等人[24]使用CellProfiler軟件[25–27]定量測量組織病理學(xué)圖像中的細胞表型，并將這些特征與預(yù)后相關(guān)聯(lián)。幾項研究[28–30]從分割的核中捕獲細胞級特征描述符，用于預(yù)測早期非小細胞肺癌的預(yù)后。
此外，Wang等人[31]提供了關(guān)于LUAD患者腫瘤形狀與預(yù)后之間關(guān)系的見解。然而，這些潛在的生物標志物主要集中在單尺度信息上，要么是組織病理學(xué)圖像的細胞級，要么是組織級。
與此不同，本研究利用腫瘤區(qū)域的跨尺度紋理特征構(gòu)建了預(yù)測LUAD患者OS的圖像簽名。量化多尺度紋理特征的動機基于病理學(xué)家對組織病理學(xué)切片的常規(guī)檢查。病理學(xué)家通常首先用低倍鏡觀察整個切片組織，然后用高倍鏡選擇性地檢查細胞水平的形態(tài)學(xué)特征。
具體來說，2.5×放大倍數(shù)的圖像包含整個腫瘤的全局信息，10×放大倍數(shù)的圖像包含組織水平上的腫瘤區(qū)域特征，40×放大倍數(shù)的圖像包含細胞水平上的腫瘤特征。與單尺度紋理簽名相比，作者發(fā)現(xiàn)MPIS可以改善可切除LUAD的風(fēng)險分層，并且整合了MPIS和臨床病理學(xué)變量的完整模型具有更好的預(yù)測能力（附加文件1：圖S13）。
這表明MPIS可以有效地捕捉組織病理學(xué)圖像從細胞水平到組織水平的多尺度信息，并可以全面評估腫瘤的形態(tài)學(xué)特征。
過去幾年，許多基于深度學(xué)習(xí)的方法被提出來量化腫瘤及其周圍微環(huán)境，從而產(chǎn)生各種基于深度特征的預(yù)后生物標志物[32–34]。
例如，Coudray等人[15]證明了深度學(xué)習(xí)模型可以協(xié)助病理學(xué)家自動檢測癌癥亞型或基因突變。Shi等人[33]提出了一種高效且節(jié)省勞動力的深度學(xué)習(xí)方法，為患者風(fēng)險分層提供了有價值的方法。然而，他們只能主觀地基于切片逐張的定性評估提供假設(shè)性解釋，更不用說客觀地將深度特征與生物學(xué)現(xiàn)象聯(lián)系起來，盡管類激活圖[35, 36]可以可視化端到端CNN模型中的感興趣的圖像區(qū)域。
相比之下，作者的工作可以直接與生物學(xué)概念相關(guān)聯(lián)，并為組織病理學(xué)和基因組學(xué)提供可解釋性。一方面，作者從組織病理學(xué)角度追蹤可觀察的紋理特征，以降低虛假相關(guān)性的風(fēng)險。具體來說，作者觀察到MPIS在良好/中度分化和不良未分化組之間的分布存在顯著差異（圖4）。
這似乎表明MPIS與病理學(xué)家進行的腫瘤分化之間存在顯著關(guān)聯(lián)。例如，腫瘤細胞和間質(zhì)生長模式的豐富性和空間分布可能反映在WSI的紋理特征中。MPIS可以通過量化這些紋理特征來區(qū)分腫瘤分化的程度。
此外，作者發(fā)現(xiàn)所選的多尺度紋理特征可能直接與組織病理學(xué)圖像中的表型信息相關(guān)，并為研究者提供可解釋性。
更具體地說，特征glrlm_SRLGLE測量了圖像中連續(xù)像素的低灰值模式。在組織病理學(xué)圖像的背景下，較大的glrlm_SRLGLE特征值可能反映了組織圖像中細胞分布的稀疏性。這種生物學(xué)現(xiàn)象可能指示LUAD的鱗狀或腺狀生長模式（圖2a, b）。
特征glcm_ASM測量了圖像的灰度均勻性。較大的值表示更高的均勻性。如圖2g所示，底部圖的glcm_ASM特征值較高。觀察到腫瘤組織與頂部圖相比，生長相對更密集，腫瘤生長模式似乎是實心的。
另一方面，作者還通過組織基因組分析研究了可能驅(qū)動腫瘤發(fā)展的生物途徑，從而從基因組學(xué)角度進一步闡明了紋理特征的可解釋性。
在本研究中，所選的紋理特征與影響腫瘤發(fā)展的顯著生物途徑相關(guān)。例如，細胞外基質(zhì)結(jié)構(gòu)成分與特征glrlm_SRLGLE_90_2.5和Percentile_10th_40顯著相關(guān)。這些途徑的基因表達已被證明會影響腫瘤及其微環(huán)境[37]，可能表明間質(zhì)組織結(jié)構(gòu)會影響腫瘤區(qū)域的紋理分布。
此外，細胞微環(huán)境通過細胞骨架重塑不斷調(diào)節(jié)細胞生長、凋亡和分化[38]。作者發(fā)現(xiàn)細胞骨架的結(jié)構(gòu)成分與圖像衍生的紋理特征（如glrlm_SRLGLE_90_40）之間存在顯著相關(guān)性，這清楚地表明紋理特征可能受到與細胞凋亡和分化相關(guān)的途徑的驅(qū)動。細胞因子活性[39, 40]可能是影響腫瘤區(qū)域紋理分布的另一個潛在原因，反映了組織和細胞的存活、生長、分化和效應(yīng)功能。
本研究存在一些局限性。
首先，作者的研究基于回顧性隊列，這可能會受到某些風(fēng)險變量的影響和隨訪丟失。未來，作者將進一步在更大的隊列或前瞻性研究中驗證作者的模型。
其次，MPIS是在不同機構(gòu)的數(shù)據(jù)上開發(fā)和驗證的，這意味著一些相關(guān)的人口統(tǒng)計參數(shù)在某些數(shù)據(jù)集中不可用。
第三，本研究使用了一種基于遷移學(xué)習(xí)的深度學(xué)習(xí)方法來分割腫瘤區(qū)域。然而，病理學(xué)家仍然需要注釋一小部分切片以微調(diào)分割模型，提高模型的性能。
未來，作者將使用弱監(jiān)督或無監(jiān)督學(xué)習(xí)模型進行定量分析，以最小化病理學(xué)家的標注工作。
五、結(jié)論
總的來說，作者開發(fā)并驗證了MPIS，該方法能夠成功地將可切除LUAD患者分為高風(fēng)險和低風(fēng)險組，兩組在OS上存在顯著差異。
MPIS是OS的獨立預(yù)后因素，將MPIS與臨床病理學(xué)變量相結(jié)合可以改善可切除LUAD患者的預(yù)后分層。
本研究顯示，MPIS是一個全面、穩(wěn)健且可解釋的預(yù)測工具，可以貢獻于精準醫(yī)學(xué)領(lǐng)域，通過幫助改善個性化術(shù)后護理的質(zhì)量，從而提高個體化醫(yī)療的質(zhì)量。