DeepGrade模型：深度学习的新型方法改进乳腺癌组织学分级

导读：深度卷积神经网络(Deep convolutional neural networks，CNNs)最近已成功应用于包括乳腺癌在内的多种癌症类型的检测和病理分类。来自卡罗林斯卡大学医院的M.Rantalainen等人提出了一种基于深度学习的新型方法DeepGrade模型，用于基于数字化全视野组织病理学切片图像（digital whole-slide histopathology images，WSIs）对NHG2级乳腺癌进行组织学分层。

研究背景：诺丁汉组织学分级(Nottingham histological grade，NHG)是公认的影响乳腺癌预后的因素，其在临床决策中得到广泛应用。然而，约50%的患者被归类为2级，属于中危组，临床价值较低。为了改善NHG2级乳腺癌患者的风险分层，来自卡罗林斯卡大学医院的M.Rantalainen等人开发并验证了一种基于WSIs和深度学习的新型组织学分级模型(DeepGrade)。

研究方法：

1.该研究包括来自四组不同研究和地区的初步诊断为原发性浸润性乳腺癌的女性患者：ClinSeq数据集(ClinSeq-BC)(N = 256)、TCGA数据集(TCGA-BC)(N = 559)、SöS-BC-1数据集(SöS-BC-1)(N = 752)以及SCAN-B研究的一个子集(N = 1262，外部测试集）。

2.WSI被分割成598×598像素的图像块，采样分辨率相当于20×视野。应用颜色归一化来调整染色和扫描仪中颜色差异性。

3.将来自ClinSeq-BC、TCGA和SöS-BC-1的NHG1级和NHG3级肿瘤随机分为训练集 (N=844,70.6%)、测试集1 (N=136, 11.4%)和测试集2 (N=215, 18.0%）。训练集进一步分为训练集（N=674，56.4%）和调试集（N=170，14.2%）。训练和调试集中的图块用于优化DeepGrade模型，该模型包括20个深度CNN基础模型（InceptionV3 模型，其权重由 ImageNet预训练的模型初始化），用于NHG1和NGH3的分类。深度学习是使用Keras (2.2.4)框架和TensorFlow (1.12)后端进行的。

4.通过图像块水平的受试者工作特征(ROC)曲线和曲线下面积(AUC)来评估分类性能。用Youden方法确定二分类标签(NHG1和3)的最佳阈值。用估计的分类阈值对ClinSeq-BC和TCGA-BC的NHG2肿瘤进行二分类[高级别(DG2-high)和低级别 (DG2-low)]。

5.分析并比较NHG患者以及被DeepGrade模型预测为高级别(DG2-high)和低级别 (DG2-low)的NHG2级乳腺癌之间的无复发生存率(RFS)。生成KaplaneMeier曲线以可视化各组之间的生存结果。使用多因素Cox比例风险回归模型来估计调整后的风险比(HR)和95%CI。方法细节详见https://doi.org/10.1016/j.annonc.2021.09.007

图1 DeepGrade 模型的优化、应用和评估

研究结果：DeepGrade模型将NHG2级肿瘤重新分层分为两组：DG2-high（与NHG3相似）和DG2-low（与NHG1相似）（图1）ClinSeq-BC、TCGA-BC和SöS-BC-1数据集中的可用训练图块数量分别为1.56亿、439万和325万。ROC-AUC范围为0.919(95%CI0.884-0.955)至0.937(95%CI0.887-0.987)，表明NHG1和NHG3的分类性能良好。

图2 按诺丁汉组织学分级和 DeepGrade 重新分层的NHG2患者的乳腺癌患者无复发生存结果

在独立测试数据集中，DeepGrade的预后表现(RFS)通过KaplaneMeier曲线可视化，并通过多因素Cox比例风险模型评估独立预后价值，调整已确定的风险因素，包括年龄、肿瘤大小、HER2状态、ER状态和淋巴结状态（图2）。DeepGrade模型（DG2-low、DG2-high）被发现是NHG2分层的独立预后因素，HR为2.94（95%CI1.24-6.97，P=0.015，N=305；图2B和3B）。

图3 多因素 Cox 比例风险回归

与NHG1相比，DG2-low中的Ki67得分显著升高(P=2.80×10^-3)，而DG2-high中的Ki67得分显著低于NHG3(P=2.94×10^-4）（图4A）。分子亚型的分布差异结果表明DG2-low与NHG1具有很强的相似性，DG2-high与NHG3具有很强的相似性。研究结果还表明，DeepGrade识别了NHG2中更具侵袭性的肿瘤相关的形态模式。这表明DeepGrade捕获了NHG2病例分层的独立预后信息。

图4 NHG1、DG2-low和 DG2-high以及NHG3患者组的Ki67评分、内在亚型分布和NHG亚组评分分布

对于SCAN-B Lund队列中1262名患者的WSI的外部验证集。首先应用 DeepGrade模型对NHG1和NHG3患者进行分类，所得AUC为0.907（95%CI0.885-0.930）。其次用DeepGrade模型重新分层NHG2组(N=608)（图5和6）。该模型（DG2-low、DG2-high）为NHG2分层提供了显著的预后价值（P=0.0045，图5B），HR为1.91（95%CI1.11-3.29，P=0.019，N=583；图6B）。

图5 根据诺丁汉组织学分级和DeepGrade重新分层的NHG2患者的外部测试集中乳腺癌患者的无复发生存结果

图6 外部测试集中多因素Cox 比例风险回归分析

研究结论：在这项研究中，开发并验证了一种新方法DeepGrade，用于乳腺癌的组织学分级，重点是NHG2级肿瘤的重新分层。DeepGrade捕获NHG2肿瘤中与NHG1和NHG3相似的形态学特征，并利用这些特征来实现NHG2的精确分层。基于DeepGrade模型的NHG2肿瘤患者分层具有预后意义，比常规组织学分级增加了临床相关信息。该方法为分子分析提供了一种经济高效的替代方案，可提取与临床决策相关的信息。

备注：（此编译由病理医生完成，文中涉及到算法的均未详细论述，要了解具体，请看原文研读，欢迎批评指正，有兴趣做数字病理研究的同行欢迎联系交流）。

编译：白钰明

审校：陈万远

复审：鑫仔

排版：阿洛