A novel machine learning approach reveals latent vascular phenotypes predictive of renal cancer outcome.
A novel machine learning approach reveals latent vascular phenotypes predictive of renal cancer outcome.
复制标题
DOI：
10.1038/s41598-017-13196-4
复制
发表时间：
2017-10-16
影响因子：
4.6
通讯作者：
Knudsen BS
中科院分区：
文献类型：
--
作者：
Ing N;Huang F;Conley A;You S;Ma Z;Klimov S;Ohe C;Yuan X;Amin MB;Figlin R;Gertych A;Knudsen BS
基因表达特征通常用作预测性生物标志物，但不捕获组织架构内的结构特征。在这里，我们应用两步机器学习框架对肿瘤血管进行定量成像，以获得空间信息，预后基因签名。经过训练的算法对内皮细胞进行分类，并在来自癌症基因组图谱（TCGA）的透明细胞肾细胞癌（ccRCC）病例的H&E显微照片中生成血管区域掩膜（VAM）。VAM的定量导致发现9个血管特征（9VF），其预测发现队列中的无病生存（n = 64，HR = 2.3）。相关性分析和信息增益鉴定了与9VF相关的14个基因表达特征。基于14个基因的两个具有弹性网络正则化的广义线性模型（14VF和14GT）将多达301个病例的独立队列分成良好和较差的无病生存组（14VF HR = 2.4，14GT HR = 3.33）。我们首次成功地应用数字图像分析和有针对性的机器学习，从血管结构中开发出基于形态学的预后基因表达特征。这种新的形态基因组学方法有可能改善以前的生物标志物开发方法。
Gene expression signatures are commonly used as predictive biomarkers, but do not capture structural features within the tissue architecture. Here we apply a 2-step machine learning framework for quantitative imaging of tumor vasculature to derive a spatially informed, prognostic gene signature. The trained algorithms classify endothelial cells and generate a vascular area mask (VAM) in H&E micrographs of clear cell renal cell carcinoma (ccRCC) cases from The Cancer Genome Atlas (TCGA). Quantification of VAMs led to the discovery of 9 vascular features (9VF) that predicted disease-free-survival in a discovery cohort (n = 64, HR = 2.3). Correlation analysis and information gain identified a 14 gene expression signature related to the 9VF’s. Two generalized linear models with elastic net regularization (14VF and 14GT), based on the 14 genes, separated independent cohorts of up to 301 cases into good and poor disease-free survival groups (14VF HR = 2.4, 14GT HR = 3.33). For the first time, we successfully applied digital image analysis and targeted machine learning to develop prognostic, morphology-based, gene expression signatures from the vascular architecture. This novel morphogenomic approach has the potential to improve previous methods for biomarker development.
登录
查看更多内容
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
影响因子：
4.6
作者：
Lan C;Heindl A;Huang X;Xi S;Banerjee S;Liu J;Yuan Y
通讯作者：
Yuan Y
影响因子：
3.7
作者：
Padmanabhan RK;Somasundar VH;Griffith SD;Zhu J;Samoyedny D;Tan KS;Hu J;Liao X;Carin L;Yoon SS;Flaherty KT;Dipaola RS;Heitjan DF;Lal P;Feldman MD;Roysam B;Lee WM
通讯作者：
Lee WM
影响因子：
28.4
作者：
Gao, Shanwu;Tibiche, Chabane;Wang, Edwin
通讯作者：
Wang, Edwin
影响因子：
64.8
作者：
通讯作者：
--