导语
甲状腺肿瘤可大致分为乳头状癌或滤泡型肿瘤。典型甲状腺乳头状癌(PTC-c)为浸润性，常转移到淋巴结。由于观察者间的高变异性和观察到的行为异质性，各种滤泡模式肿瘤的定义最近受到了关注。
背景介绍
深度学习模型在医学图像处理领域一直具有优秀的表现，这也是近期研究的热门领域，今天小编给大家介绍的一篇文章就是基于深度学习模型，通过H&E图像预测滤泡性甲状腺肿瘤，文章发表在《MODERN PATHOLOGY》上，影响因子为7.842，文章题目为：Deep learning prediction of BRAF-RAS gene expression signatureidentififies noninvasive follicular thyroid neoplasms withpapillary-like nuclear features。
数据介绍
训练数据：115例肿瘤样本的H&E染色玻片，由病理学家对ROI进行注释。
评估模型性能数据：TCGA数据库THCA图像数据（497）
结果解析
01
深度学习模型可以区分肿瘤亚型
作者使用收集的115张病理注释的图片训练一个深度学习模型，以预测肿瘤亚型(DL-UCM-ST)(图1c，d)。交叉验证性能对NIFTP具有较高的敏感性和特异性（敏感性89.4%，特异性89.7%），对PTC-classic具有高敏感性94.7%，特异性79.2%)，对PTC-EFG（敏感性39.1%，特异性97.8%）和良性FA（敏感性42.9%，特异性100%）。
图1
为了更好地理解检测到的肿瘤亚型之间的组织学特征之间的关系，作者从所有slides中每个tile的卷积后层激活中生成了一个UMAP图(图2a)。对于每个slide，最接近质心的tile被识别出来，显示在图上，并根据其子类型进行标记。
02
用TCGA评估肿瘤亚型的预测
为了评估模型在外部验证集上区分甲状腺亚类的能力，使用最终训练的DL-UCM-ST模型对TCGA甲状腺癌队列中的所有slides生成预测，预测仅限于PTC-classic、PTC-EFG和NIFTP。
使用从亚型预测模型中计算出的卷积后层激活量，生成了一个额外的UMAP(图2b)。PTC-EFGs聚集在一起，与PTC-NOS有中等数量的重叠。PTC-tall肿瘤与较大的PTC-NOS cluster中的PTC-EFG分别聚集。然后用slide水平的预测来标记UMAP(图2c)。
接下来，考虑到亚型预测和RAS突变状态之间的关联，作者通过比较预测亚型之间的BRS来研究BRAF-RAS对可检测的组织学特征的作用(图2d)。
03
BRAF-RAS评分的预测及与肿瘤亚型的关系
作者在TCGA队列上训练一个深度学习模型，以预测BRS作为线性结果，目标是在内部数据集上生成预测分数(图1e，f)。三个k-folds的滑动水平预测的r2分别为0.67、0.73和0.61，k-folds的性能散点图如图3a所示。
预测的BRS与FA和NIFTP高度相关，甚至比之前训练的直接预测肿瘤亚型的模型相关程度更高(图3b，c)。作为107个PTC-classic、PTC-EFGs和NIFTPs中NIFTP与非NIFTP的分类器，该模型AUC为0.99，敏感性和特异性分别为97.9%和96.6%(图3d)。对于仅在滤泡型肿瘤中识别NIFTP的测试，BRS预测模型的 AUC为0.98，敏感性和特异性分别为97.9%和90.0%（图3e）。
图3
04
BRAF-RAS谱的组织学特征
为了描述BRS预测模型检测到的组织学特征，该模型在训练队列中的slides中生成了最终的激活层，并使用UMAP绘制出来（图4）。预测的BRS从左到右呈近线性增加，预测的BRS发生在NIFTP簇中。总的来说，肿瘤亚型的聚类方式与直接训练到肿瘤亚型的模型相似（图2），
图4
最后，为了更详细地探索PTCEFG亚型的组织学landscape，作者使用上述模型对训练队列中所有PTC-EFG tiles进行了BRS和肿瘤亚型的预测（图5）。
小编总结
总的来说，作者通过深度学习检测到了与BRAF-RAS基因表达谱相关的组织学特征，并有助于区分惰性NIFTP和PTC，这些结果支持进一步验证使用BRS检测作为滤泡模式肿瘤的诊断辅助手段。在深度学习如此火热的当下，我们也可以多多学习基于深度学习的研究思路哦！
