[论文解读] Towards computational fluorescence microscopy: Machine learning-based integrated prediction of morphological and molecular tumor profiles

Alexander Binder, Michael Bockmayr+16 more|arXiv (Cornell University)|May 28, 2018

Cell Image Analysis Techniques参考文献 36被引用 22

一句话总结

本文提出了一种机器学习框架，将乳腺癌的组织病理学图像特征与分子肿瘤谱型相结合，实现了从苏木精-伊红染色（H&E）全切片图像中计算预测形态学和分子标志物。通过结合词袋视觉特征（BoW）与基于核的方法学习，该方法在预测分子特征（例如，基因表达、甲基化、突变）和空间热图方面表现出高精度，其结果经免疫组织化学和生存数据验证。

ABSTRACT

Recent advances in cancer research largely rely on new developments in microscopic or molecular profiling techniques offering high level of detail with respect to either spatial or molecular features, but usually not both. Here, we present a novel machine learning-based computational approach that allows for the identification of morphological tissue features and the prediction of molecular properties from breast cancer imaging data. This integration of microanatomic information of tumors with complex molecular profiling data, including protein or gene expression, copy number variation, gene methylation and somatic mutations, provides a novel means to computationally score molecular markers with respect to their relevance to cancer and their spatial associations within the tumor microenvironment.

研究动机与目标

• 弥合高分辨率空间成像与高维分子谱型在癌症病理学中的差距。
• 实现直接从常规H&E染色全切片图像计算预测分子标志物（例如，基因表达、甲基化、突变）。
• 利用图像衍生特征预测肿瘤微环境中分子特征的空间定位。
• 整合形态学与分子肿瘤谱型，以改善临床病理预测和生存分析。
• 通过与金标准免疫组织化学和临床结局对比验证计算预测结果。

提出的方法

• 基于局部图像描述符（SIFT、梯度范数分位数、强度分位数）从H&E全切片图像中提取形态学特征，采用词袋视觉特征（BoW）方法。
• 应用基于核的方法学习（例如，高斯核）将BoW特征映射至分子和临床病理学结局。
• 使用平衡准确率和蒙特卡洛置换检验评估统计显著性并控制假发现率。
• 通过训练模型预测每块组织区域的分子评分，生成分子特征的空间热图。
• 通过与免疫组织化学（IHC）比较及合成数据实验评估预测可靠性。
• 采用霍夫丁不等式和本杰明-霍赫伯格FDR校正方法，控制高维设定下多重假设检验的假发现率。

实验结果

研究问题

• RQ1 机器学习模型能否从常规H&E染色组织病理学图像中预测分子肿瘤谱型（例如，基因表达、甲基化、突变）？
• RQ2 利用图像数据，能否准确预测分子特征在肿瘤微环境中的空间定位？
• RQ3 预测的分子谱型在多大程度上与临床结局（如生存率和肿瘤分级）相关？
• RQ4 与免疫组织化学相比，预测的形态-分子热图在多大程度上可靠？
• RQ5 在高维设定下，分子特征预测的统计显著性如何？如何估计假发现率？

主要发现

• 该模型在从H&E图像预测分子特征（例如，基因表达、甲基化、突变）方面实现了高平衡准确率，与IHC结果对比显示高度一致性。
• 通过合成数据实验验证，分子特征的空间热图被可靠预测，证实了该方法的稳健性。
• 预测的分子谱型与临床病理特征（如肿瘤分级和激素受体状态）显著相关。
• 该方法在预测生存结局方面表现出预测能力，预测的分子特征与患者生存率之间存在显著关联。
• 蒙特卡洛置换检验与霍夫丁不等式结果表明假发现率较低，支持了预测结果的统计可靠性。
• 形态学与分子谱型的整合显著提升了仅基于组织形态学的肿瘤特征预测能力。