Pan-cancer image-based detection of clinically actionable genetic alterations
Pan-cancer image-based detection of clinically actionable genetic alterations
复制标题
DOI：
10.1038/s43018-020-0087-6
复制
发表时间：
2020-07-27
期刊：
影响因子：
22.7
通讯作者：
Luedde T
中科院分区：
文献类型：
--
作者：
Kather JN;Heij LR;Grabsch HI;Loeffler C;Echle A;Muti HS;Krause J;Niehues JM;Sommer KA;Bankhead P;Kooreman LF;Schulte JJ;Cipriani NA;Buelow RD;Boor P;Ortiz-Brüchle NN;Hanby AM;Speirs V;Kochanny S;Patnaik A;Srisuwananukorn A;Brenner H;Hoffmeister M;van den Brandt PA;Jäger D;Trautwein C;Pearson AT;Luedde T
癌症中的分子改变可引起肿瘤细胞及其微环境的表型变化。常规的组织病理学组织切片--随处可见--可以反映这种形态学变化。在这里，我们表明，深度学习可以直接从常规组织学中一致地推断出广泛的基因突变、分子肿瘤亚型、基因表达特征和标准病理学生物标志物。我们开发、优化、验证并公开发布了一站式工作流程，并将其应用于多种实体瘤的5000多名患者的组织切片。我们的研究结果表明，可以训练单个深度学习算法来预测常规石蜡包埋的组织学切片（用苏木精和伊红染色）的广泛分子变化。这些预测推广到其他人群，并在空间上解决。我们的方法可以在移动的硬件上实现，从而有可能实现个性化癌症治疗的即时诊断。更一般地说，这种方法可以阐明和量化癌症中的基因型-表型联系。
Molecular alterations in cancer can cause phenotypic changes in tumor cells and their micro-environment. Routine histopathology tissue slides – which are ubiquitously available – can reflect such morphological changes. Here, we show that deep learning can consistently infer a wide range of genetic mutations, molecular tumor subtypes, gene expression signatures and standard pathology biomarkers directly from routine histology. We developed, optimized, validated and publicly released a one-stop-shop workflow and applied it to tissue slides of more than 5000 patients across multiple solid tumors. Our findings show that a single deep learning algorithm can be trained to predict a wide range of molecular alterations from routine, paraffin-embedded histology slides stained with hematoxylin and eosin. These predictions generalize to other populations and are spatially resolved. Our method can be implemented on mobile hardware, potentially enabling point-of-care diagnostics for personalized cancer treatment. More generally, this approach could elucidate and quantify genotype-phenotype links in cancer.
登录
查看更多内容
影响因子：
4.6
作者：
Bankhead P;Loughrey MB;Fernández JA;Dombrowski Y;McArt DG;Dunne PD;McQuaid S;Gray RT;Murray LJ;Coleman HG;James JA;Salto-Tellez M;Hamilton PW
通讯作者：
Hamilton PW
影响因子：
7.3
作者：
Gao J;Aksoy BA;Dogrusoz U;Dresdner G;Gross B;Sumer SO;Sun Y;Jacobsen A;Sinha R;Larsson E;Cerami E;Sander C;Schultz N
通讯作者：
Schultz N
DOI：
10.1038/s41568-018-0043-2
发表时间：
2018-09
期刊：
Nature reviews. Cancer
影响因子：
--
作者：
Cheng ML;Berger MF;Hyman DM;Solit DB
通讯作者：
Solit DB
影响因子：
50.3
作者：
Berger AC;Korkut A;Kanchi RS;Hegde AM;Lenoir W;Liu W;Liu Y;Fan H;Shen H;Ravikumar V;Rao A;Schultz A;Li X;Sumazin P;Williams C;Mestdagh P;Gunaratne PH;Yau C;Bowlby R;Robertson AG;Tiezzi DG;Wang C;Cherniack AD;Godwin AK;Kuderer NM;Rader JS;Zuna RE;Sood AK;Lazar AJ;Ojesina AI;Adebamowo C;Adebamowo SN;Baggerly KA;Chen TW;Chiu HS;Lefever S;Liu L;MacKenzie K;Orsulic S;Roszik J;Shelley CS;Song Q;Vellano CP;Wentzensen N;Cancer Genome Atlas Research Network;Weinstein JN;Mills GB;Levine DA;Akbani R
通讯作者：
Akbani R
影响因子：
82.9
作者：
Chen, Po-Hsuan Cameron;Gadepalli, Krishna;Stumpe, Martin C.
通讯作者：
Stumpe, Martin C.