首页 > 文章详情

WCLC22｜基于计算机视觉和空间基因组学的肺类癌分子和组织学特征

2022年08月02日

编译：肿瘤资讯

来源：肿瘤资讯

世界肺癌大会（WCLC）是世界上最大的肺癌及胸部肿瘤会议，2022 WCLC将于8月6~9日在奥地利维也纳召开，逾100个国家的学者将进行300+场次口头报告与1000+海报展示。

7月13日WCLC官网公布了部分摘要，一项研究显示识别侵袭性类癌的组织学特征代表着LNETs诊断和临床决策的重大进展，因为它将允许把分子分型转化为临床背景，而无需生成昂贵且分析复杂的分子数据。

介绍

肺神经内分泌肿瘤（LNETs）是一种罕见肿瘤，可分为低级别（典型）和中等级别（非典型）类癌。非典型类癌更具侵袭性，转移风险增加4~6倍，并可在术后前10年内复发。研究者首次全面描述了肺类癌的分子特征，并确定了3个强大的分子簇A1、A2和B（Alcala, Nature Com., 2019; Gabriel, Gigascience, 2020）。它们的临床预后不同，B型的10年总生存率为60%，A1和A2型则为~80%。本研究揭示了具有类癌形态的超类癌、高度浸润和侵袭性标本的存在，以及大细胞神经内分泌癌（LCNEC）的分子特征。这些分子型仅部分符合当前的组织病理学分类，目前的诊断工具无法识别侵袭性类癌，需要复杂的多组学分析。深度学习（DL）算法已显示出对癌症诊断和预后的实用性（Tran，Genome Med，2021）。因此，本研究采用DL技术来辨别与侵袭性病例相关的组织学特征。空间蛋白质组学有助于评估包括类癌在内的分子群的空间免疫特征。使肺类癌的组织学和分子分类协调一致是促进其诊断，从而改善患者临床管理的关键。

方法

研究者建立了一个前所未有的、包含超过650例LNET患者的组织病理学图像数据库。HE染色的全玻片成像（WSI）用于训练无监督异常检测算法。这类DL算法满足了研究者在没有任何异常的既往知识的情况下工作的具体需要，使我们能够定位侵袭性类癌的辨别区域（Mathian，ECCV 2022）。为了完善已识别区域的特征，我们训练DL算法在WSI尺度上估计增殖指数、肿瘤浸润淋巴细胞和有丝分裂细胞，而不是像常规诊断中那样，在感兴趣的预定义区域上。为了连接分子和形态学特征，我们对一系列具有良好代表性的分子群中的一组免疫基因进行了空间蛋白质组分析。

结果

通过我们的异常检测模型提取了区分分子型的细微组织学特征，得到了第一个B型特定的分子特征。这些形态学特征与WSI免疫组织化学检测到的热点区域的相关性有助于对其进行解释。对于免疫蛋白表达的空间量化，我们迄今为止已经观察到，虽然对于许多类癌而言很难找到高免疫浸润区域，但那些具有此类区域的通常也具有更类似于LCNEC的分子谱。

结论

识别侵袭性类癌的组织学特征代表着LNETs诊断和临床决策的重大进展，因为它将允许把分子分型转化为临床背景，而无需生成昂贵且分析复杂的分子数据。此外，鉴定超类癌的免疫特征将有助于我们了解低级别和高级别肺神经内分泌肿瘤之间的潜在演变。

责任编辑：肿瘤资讯-Shire
排版编辑：肿瘤资讯-Kate