2． 實驗1:基質形態(tài)的描述子與生化復發(fā)有關

作者將患者分為三組(VT,V1,V2),VT用于模型訓練和特征挖掘,V1和V2則用于獨立的預后驗證模型性能。作者使用單變量COX回歸在VT中評估每個基質圖像特征對BRFS(無生化復發(fā)生存)的預后能力,以確定哪些特征可能適合進行風險預后模型的構建。

在數據集VT總體(VT,AA+CA)中,有15個不相關(PCC <0．90)的基質圖像特征可預測BRFS的預后基于Cox的比例風險回歸分析。這些特征包括組織紋理,核形狀和核排列的定量描述。在AA隊列(VT,AA)中,六個特征顯著預后預測。在CA訓練隊列(VT,CA)中,則有22個。

值得注意的是,雖然在AA隊列(VT,AA)中預后預測較少,AA特有的特征在風險比上表現得比其他隊列的特征更加突出。此外,VT,CA和VT AA+CA中的重要特征包括多種特征類型(形狀,方向,排列和紋理),在VT,AA中發(fā)現的只是形狀和紋理的描述符。

補充表S6中列出了每個種族隊列中所有特征在每個BCR和非BCR患者之間的顯著差異分布,并展示了其中位數

3． 實驗2:基質形態(tài)學signature(AAstro)可預示AA患者的生化復發(fā)

作者使用基質圖像特征值構建隨機森林(RF)和ENC模型以估計BCR風險。這些模型以患者的圖像特征值向量為輸入,并輸出患者復發(fā)風險的估計值。

對VT進行10次迭代的3倍交叉驗證,對RF的描述符進行了測試。對訓練隊列,產生最高統(tǒng)計學顯著Cox比例危險回歸HR的超參數。在使用訓練集進行模型參數優(yōu)化之后,在整個模型上對模型進行訓練,然后針對V1和V2驗證。每個驗證實驗都計算了AUC值,并繪制KM生存曲線,同時應用單變量COX回歸確定HR和P值。

作者還進行了基于組織形態(tài)學特征的Elastic Net-penalized Cox比例風險回歸(ENC)估計BRFS時間。這些模型適合于生存數據。作者使用以下算法確定最佳風險評分閾值,以分層低復發(fā)風險和高復發(fā)風險的患者:

(i)使用ENC模型為訓練集中的每位患者獲得風險評分。

(ii)保留20%和80%百分位數之間的風險分數作為候選閾值

(iii)每個候選值在訓練集中被作為閾值進行檢驗,同時計算log rank P 值和HR

(iv)保留具有統(tǒng)計學顯著性的候選閾值,并選擇與最大HR對應的值。

在參數優(yōu)化和閾值確定之后,針對驗證集V1和V2測試模型。

在兩個驗證集(V1,V2)中,針對AA患者的RF和ENC模型對AA患者的復發(fā)風險有預測作用。對于這些患者,使用生存數據擬合的ENC模型優(yōu)于在二進制BCR /非BCR signature上訓練的ML模型。補充表S1中列出了每種訓練和驗證隊列組合的分類實驗結果,圖2A和B顯示了AA患者的結果。

針對AA患者的最佳RF模型,即AAstroML,已通過單變量HR確定了最重要的六個基質圖像特征。這些特征都是基質核形狀和基質紋理的描述(補充表S3中列出了特定特征)。AAstroML在驗證集V1 AA中達到了AUC 0．85和HR 3．03,在V2,AA上的AUC為0．75,HR為4．51。

針對AA患者的最佳ENC模型AAstroENC接受了10個基質形態(tài)學描述符的訓練(補充表S3)。所選擇的特征與AAstrML所選擇的特征相似,但還包括兩個核排列的描述符。V1 AA的AUC為0．87,HR為4．71,V2 AA的AUC為0．77,HR為5．7,在兩個數據集中,均優(yōu)于AAstroML。

AAstro模型選定的特征的分布在圖2D-F中可視化。Kaplan-Meier曲線估算每個驗證集中每個分類器的估計高復發(fā)風險組和低復發(fā)風險組的相對生存率。

圖2:驗證數據集中的分類器性能以及可對AA患者進行預后的特征分布。

4． 實驗3:對于AA病人,AAstro signature獨立于臨床變量且優(yōu)于臨床諾模圖。

為了確定AAstroENC是否獨立于臨床變量,作者使用模型評分以及臨床和病理變量來擬合多變量Cox比例風險模型�？梢�,AAstroENC在V1 AA和V2 AA均與現有風險評估模型中使用的臨床和病理變量無關,是獨立的預后因素(表2)。

表2:針對臨床和病理變量進行調整的AAstroENC模型評分的多變量Cox比例風險建模。

調整其他變量和精囊浸潤(SVI)的AAstroENC敏感性時,只有兩個變量在兩個驗證數據集中均保留了顯著的HR。

為了評估AA特異性,自動基質特征(AAstro)模型相對于常規(guī)金標準的性能,采用CAPRA-S和Kattan繪制術后復發(fā)風險預后諾模圖�？梢夾AstroENC和AAstroML在兩個驗證數據集中均優(yōu)于臨床模型。在AA驗證隊列中,唯一提示預后的列線圖是V1 AA中的Kattan列線圖。Kattan列線圖獲得的HR低于AAstroENC。補充表S2提供了使用CAPRA-S 和Khttan諾格圖為AA患者創(chuàng)建的模型的性能,補充表S3提供了針對CA患者的等效模型。

5． 實驗4:基質形態(tài)與腫瘤生物標志物表達的關系

為了確定是否有基質圖像特征與腫瘤生物標志物的表達水平相關聯,計算每個生物標志物-基質特征對的PCC值和相關P值。PCC絕對值大于0．4具有統(tǒng)計學顯著性(P <0．05)。

鑒定出29對IHC衍生的生物標志物和基質形態(tài)描述符有顯著相關性(PCC> 0．4或PCC <-0．4)。其中三對包括可預測VT AA數據集中BRFS的基質形態(tài)描述符:分別位于具有細胞質RB的基質核形狀平均分形維數(PCC = 0．606,P = 0．0005),具有TMPRSS2-ERG融合蛋白的基質質地Haralick均值信息量度1(PCC = -0．447,P = 0．033),和AR表達的基質核形狀平均分形維數(PCC = 0．41,P = 4．12e-4)。

發(fā)現PTEN與從基質計算出的15個圖像特征有關。所有這些描述符都是核形狀的測量值。PTEN是與大多數基質圖像特征相關的標記,在統(tǒng)計學上與15個特征相關。QH特征-生物標志物與最高絕對PCC配對的是PTEN與基質核形狀的平均傅立葉描述符4的關聯(PCC = -0．623,P = 7．56e-3)。

在圖3A中概述了所研究的生物標志物,在圖3B中突出顯示了具有顯著相關性的選定對。圖3C-E中展示了描述預后基質圖像特征與生物標志物表達值之間關系的散點圖。

圖3:基質形態(tài)描述符與生物標志物表達水平的關聯。

小結

本文的目的在于評估根治性前列腺切除術預后的基質形態(tài)和特定人群調整的定量指標。作者從常規(guī)H&E玻片上計算了基質形態(tài)的定量描述子,發(fā)現AA和CA患者之間的基質形態(tài)有所不同。在兩個獨立的驗證數據集中,發(fā)現使用作者的基質形態(tài)特征創(chuàng)建的模型對AA病人是預測良好的模型。這些模型中,AAstroML和AAstroENC可以獨立于常規(guī)臨床變量預測風險,并且優(yōu)于AA驗證集患者的當前臨床規(guī)范指標。多個基質圖像特征也與使用IHC測量的腫瘤生物標志物的表達水平相關。