HRDPath:可解释多模型深度学习架构可从病理图像预测同源重组缺陷
HRDPath: an explainable multi-model deep learning architecture for predicting homologous recombination deficiency from histopathology images
研究团队提出 HRDPath,一种可解释的多模型深度学习架构,可直接从全切片图像预测高级别浆液性输卵管卵巢癌的 HRD 状态,无需额外分子检测。在三个女性患者队列中,该架构的 AUC 达 0.846,特异性和敏感性均达到 0.90,并显著优于此前 HGSOC 的报道结果。其可解释性流程还揭示了 HRD 阳性癌症在细胞和组织层面的形态与病理变化。
HRDPath 用全切片图像预测 HRD,在三个队列上取得 0.846 的 AUC,读者可从中了解可扩展数字生物标志物的构建思路。
已发表论文 · journal · 10.1038/s41467-026-78430-y
本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。
IF(5) 18.9 · 2025 · 期刊参考指标
同源重组缺陷(HRD)是高级别浆液性输卵管-卵巢癌(HGSOC)治疗决策的关键生物标志物,而这类癌症可用的可靠生物标志物很少。然而,现有的基于基因组学的HRD检测方法结果差异大、成本高且耗时。我们开发了HRDPath,这是一种患者级别的深度学习架构,可从全切片图像预测HRD状态,无需额外的分子检测。HRDPath在三个女性患者队列中得到验证,AUC达到0.846,显著优于此前在HGSOC中报告的结果。通过纳入每位患者的多张切片并采用针对性的优化策略,我们增强了模型的临床实用性,特异性和敏感性均达到0.90。我们的可解释性分析流程提升了模型的可信度,并揭示了HRD阳性癌症的重要临床与生物学见解,突出了其在细胞和组织水平上相关的形态学和病理学变化。HRDPath为构建便捷且可扩展的数字生物标志物奠定了基础,以改善全球卵巢癌的治疗分层。
来源:Nature Communications · doi.org