TB-MIL: deep learning-based identification of TMB status in bladder cancer from histopathological images
Notice bibliographique
Résumé
Background and objective: Bladder cancer has an increasing prevalence, with non-muscle invasive cases frequently recurring and muscle-invasive cases exhibiting low survival rates. Recent advancements in cancer immunotherapy, particularly immune checkpoint inhibitors, offer promise but show variable patient responses, highlighting the need for predictive biomarkers like Tumor Mutation Burden (TMB). Although TMB correlates strongly with immunotherapy outcomes, traditional sequencing methods for TMB assessment are costly and time-consuming, necessitating more efficient alternatives. This study aimed to develop a deep learning model to accurately and cost-effectively predict TMB using bladder cancer pathology slides. Method: We retrospectively analyzed data from 354 bladder cancer patients in the TCGA database and 39 patients from our hospital, compiling clinical, pathological, and sequencing information. Our deep learning model, trained on segmented slide images, utilized various feature extractors and classifiers to optimize performance. Performance variances across subgroups based on T-stage and metastatic presence were statistically analyzed to assess the model’s stability across different stages. Model consistency was evaluated by comparing predictions from different slides of the same patient. Additionally, model visualization through attention mechanisms and GradCAM algorithm was conducted to analyze the reasons behind correct and incorrect TMB-H/L slide predictions, exploring potential pathological features related to TMB, and validating whether these features could guide human judgment of TMB levels. Results: The model achieved an AUC of 0.823 on an internal test set and 0.804 on an external test set, outperforming previous models. It demonstrated consistent accuracy across different T stages and metastasis statuses, with a high level of prediction consistency across multiple slides from the same patient. Visualization analyses revealed that the model focused on the intersection of tumor and non-tumor tissues, identifying distinct morphological features associated with high and low TMB levels. This information, when shared with clinicians, improved their TMB assessments. Conclusion: This study developed an efficient deep learning model, TB-MIL (TMB-BLCA-Multiple-Instance-Learning), for predicting TMB in bladder cancer from pathology slides, achieving high accuracy and consistency across multiple datasets and clinical subgroups. The model’s visualization provided valuable insights into TMB-associated morphological features, potentially enhancing clinical assessments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».