目录
病理DeepRisk网络模型构建
DPS和新辅助化疗
mIHC 验证
STAD转录组层面
病理DeepRisk网络模型构建
自有数据训练，TCGA数据进行验证，然后配对mIF验证，最后还在转录组层面分析。
该模型基于中山数据集（n = 1120）构建，并在TCGA-STAD（n = 268）和SOBC数据集（n = 277）中得到进一步验证。
用于构建 DeepRisk 模型和评估 DPS 性能的工作流程。A 经过 WSI 的分割和修补过程，所有补丁都使用深度 CNN 模型编码为描述性特征表示。使用预训练的 ResNet50 模型提取特征图，并应用平均池化来获得特征向量。基于注意力的 MIL 用于聚合单个案例的所有补丁功能并提供输出标签。然后，我们构建了没有注释的 DeepRisk 网络，并在 2 个外部队列（TCGA-STAD 和 SOBC）中进一步验证。利用组织病理学特征、免疫质构、转录组学和临床信息来研究模型输出（DPS）与潜在GC特征之间的相关性。B 基于不同放大倍率下的DPS的C指数，有或没有纳入人口因素（年龄和性别）。C、D DPS在中山数据集中预测患者生存率的性能，使用一系列DPS临界值进行患者二分切。高DPS（>50%）和低DPS（≤50%）的OS和DFS的E，F Kaplan-Meier曲线。不同 TNM 阶段 DPS 生存和复发的 G、H Kaplan-Meier 曲线。p < 0.001。CNN，卷积神经网络;GC， 胃癌;WSI，全玻片图像;DPS，数字病理学特征;MIL，多实例学习;TCGA，癌症基因组图谱
DPS和新辅助化疗
为了调查具有不同 DPS 水平的 GC 是否对新辅助化疗 （NAC） 表现出不同的反应，我们的研究招募了 82 名接受 NAC 的 GC。如图所示。4A，与未接受NAC治疗的患者相比，接受NAC治疗后GCs的DPS水平显着降低。根据二宫和Ryan分类系统[25,26]，我们观察到NAC治疗后的DPS水平与肿瘤消退分级（TRG）呈负相关（图1）。4我们对 NAC 治疗后 DPS 低的 GC 的分析显示，53.8% 的 GC 表现出更好的治疗反应 （TRG > 2/3） （图 1）。4C，D）。此外，在接受NAC治疗后，低DPS和高DPS患者之间存在显着差异（图1）。4因此，这些发现表明，NAC治疗后的DPS为GC患者提供了潜在的评估效果和预后价值，有助于后续治疗策略的优化。
mIHC 验证
高DPS与侵袭性边缘的抑制性肿瘤免疫微环境相关。要素空间上高风险区域和低风险区域的可分离性。B–D 在热图上识别 DPS 高风险和低风险区域。E 低DPS组和高DPS组之间的淋巴细胞和肿瘤细胞的细胞分数。F mIHC 面板显示了高 DPS 和低 DPS 标本上 TIIC 的空间分布模式。G 相关矩阵，然后是高 DPS 组和低 DPS 组中 54 个免疫特征的无监督分层聚类。H 高DPS组和低DPS组之间侵袭边缘免疫细胞类型密度的差异。I CD11bCD11c免疫细胞和B细胞在侵袭边缘的mIHC表达模式。J 侵袭边缘 CD11bCD11c 免疫细胞半径 50 μm 范围内免疫细胞（记忆 T 细胞、B 细胞和 Mac）的空间密度。Macs，巨噬细胞。TIIC，肿瘤浸润免疫细胞。*p < 0.05，**p < 0.01，****p < 0.0001。数据表示为平均值± SEM。 **p < 0.01，****p < 0.0001。P， 瘤周组织;IM，侵入性切缘;T， 肿瘤核心++++
STAD转录组层面
与高DPS相关的肿瘤抑制性免疫微环境的转录组学分析。热图显示了具有 TCGA-STAD 谱的高 DPS 组和低 DPS 组之间差异表达基因的表达水平。B Volcano图显示了高DPS组与低DPS组的差异表达基因。C 高DPS组和低DPS组MDSCs丰度的比较;D 低 DPS 组和高 DPS 组之间免疫共抑制剂的标准化 mRNA 表达水平。E GSEA结果显示高DPS组中六种代表性途径的富集。MDSC，髓源性抑制细胞;GSEA，基因集富集分析
文献：DeepRisk network: an AI-based tool for digital pathology signature and treatment responsiveness of gastric cancer using whole-slide images
