整合病理图像与基因组数据预测肾透明细胞癌预后.

0. TL; DR

本研究提出了一个整合基因组学的框架，用于构建clear cell renal cell carcinoma (ccRCC)（透明细胞肾细胞癌）的预后模型。作者使用了来自The Cancer Genome Atlas (TCGA) 的患者数据（n=410），从数字化的whole-slide images（全切片图像）中提取了数百个细胞形态学特征，并从功能基因组数据中提取了特征基因，以预测患者的结局。

作者构建的模型生成的risk index（风险指数）与生存率密切相关，其预测性能优于单独考虑形态学特征或该风险指数能够有效地对早期（I期和II期）肿瘤患者进行分层，而仅使用传统的肿瘤分期则无法观察到显著的生存差异。该模型的预后价值独立于其他已知的临床和分子预后因素。

1. 背景介绍

Histopathologic images（组织病理学图像）在临床实践中为癌症的诊断、分期和预后提供了重要信息。随着数字whole-slide images的普及，自动化的计算分析系统在多种癌症（如乳腺癌、肺癌、脑癌）的诊断和生物标志物发现中显示出巨大潜力。与此同时，molecular characteristics（分子特征），如基因表达谱，也已广泛用于预测癌症的临床结局。

因此，一个有趣的科学问题是：形态学特征与基因组特征之间存在何种关系？ 一个重要的转化医学问题是：整合这两种类型的特征是否能更准确地预测患者结局？ 此前，已有研究在乳腺癌、卵巢癌和胶质母细胞瘤中对此进行了探索，并获得了关于癌症组织形态与特定基因改变（如PTEN突变）之间关系的新见解。

为了研究这些问题，需要匹配的组织病理学图像和基因组数据集。The Cancer Genome Atlas (TCGA) 项目为此提供了宝贵的资源，它包含了超过30种癌症的大量患者队列的基因组学、临床结局数据，以及匹配的组织病理学图像。

本研究聚焦于clear cell renal cell carcinoma (ccRCC)，这是最常见的肾癌亚型。ccRCC的临床行为差异很大，从生长缓慢的局限性肿瘤到侵袭性的转移性疾病。因此，预后标志物在对患者进行分层以实现个性化管理中起着至关重要的作用。目前临床上使用的预后标志物（如肿瘤分期、核分级）预测准确性有限，且依赖于病理学家的经验。

本研究旨在利用TCGA的大型ccRCC患者队列，通过整合从whole-slide images中提取的定量细胞形态学特征和从基因表达数据中提取的eigengenes，来开发一个自动化的预后模型，并探索这两种特征之间的关系。

2. 方法介绍

作者的数据分析工作流程如图所示，主要包括三个部分：(A) 组织病理学图像特征提取，(B) 基因共表达分析与总结，(C) 图像特征与eigengenes的整合分析。

2.1 组织病理学图像特征 (Histopathologic image features)

图像特征提取流程包括三个步骤：细胞核分割、细胞级特征提取和患者级特征聚合。

  1. 细胞核分割：作者使用了一种无监督的分割方法，该方法无需训练数据，参数可自适应设置。
  2. 细胞级特征提取：对于每个分割出的细胞核，提取10种类型的特征，包括大小与形状（核面积、长轴/短轴长度及其比率）、颜色强度（RGB三通道的平均像素值）、空间关系（在Delaunay三角剖分图上，与邻近细胞核的平均、最大和最小距离）。
  3. 患者级特征聚合：为了将一个患者图像中成千上万个细胞核的特征聚合成固定维度的患者级特征，作者对每种细胞级特征（如核面积），计算其10-bin histogram（10箱直方图）和5种分布统计量（均值、标准差、偏度、峰度、熵）。最终，为每个患者生成了总计150个患者级图像特征。

2.2 基因共表达分析与总结

由于基因数量庞大，直接分析单个基因与图像特征的关系统计功效不足。因此，作者首先进行gene coexpression network analysis (GCNA)（基因共表达网络分析）来将基因聚类成共表达模块。

对于每个模块，将其第一个主成分定义为该模块的“eigengene”（特征基因），它代表了该模块中所有基因的整体表达谱。作者使用了一种名为local maximum quasi-clique merging (lmQCM) 的加权网络挖掘算法。与常用的WGCNA包不同，lmQCM允许基因属于多个模块，这更符合基因参与多种生物学过程的实际情况。通过该算法，作者识别出15个共表达基因模块，并为每个模块计算了eigengene。

2.3 用于预后预测的机器学习方法

作者构建了一个lasso-regularized Cox proportional hazards (lasso-Cox) 模型来计算每个患者的risk index（风险指数）。

首先，通过单变量生存分析（Kaplan–Meier估计和log-rank test）进行初步筛选，找出与生存显著相关（P < 0.05）的图像特征和eigengenes。将筛选出的特征输入lasso-Cox模型。Lasso（L1）惩罚能够实现特征的自动选择，从而构建一个稀疏且信息丰富的预后模型。为了严格评估模型性能，作者采用了一种两级交叉验证策略。

3. 实验分析

3.1 图像和基因表达数据均识别出基质比例高的差预后亚型

通过单变量生存分析，作者发现33个图像特征和6个eigengenes与患者生存显著相关。

3.2 整合分析增强预后预测能力

作者接下来研究了整合所有与生存相关的特征是否能提供更好的预后预测（Figure (F)）。

使用lasso-Cox模型整合了所有筛选出的图像特征和eigengenes后，构建的模型能够将患者显著地区分为高风险和低风险组，其生存曲线的分离程度（log-rank test P = 8.79e-10）远超任何单个特征（如图D, E）。

在最终被Lasso模型选中的特征中，既包含图像特征，也包含eigengenes，且它们之间的互信息值较低，这表明组织病理学图像和基因组数据在预测生存结局方面是互补的。

3.3 与生存相关的图像特征与Eigengenes相关

为了探索形态学和基因组学之间的关系，作者计算了33个与生存相关的图像特征和所有15个eigengenes之间的Spearman相关系数。

热图显示，eigengenes 2, 3, 9, 11与许多图像特征显著相关。Eigengene 2（富含细胞外基质基因）与描述基质细胞比例的图像特征（如ratio_bin8, major_bin9）呈正相关，这在生物学上是合理的。Eigengene 9（富含细胞周期和有丝分裂基因）与描述细胞核大小的图像特征（如area_bin5, area_bin6）呈正相关，这也与细胞进入有丝分裂期会变大的生物学知识相符。这些发现表明，细胞的形态学特征与基因表达谱之间存在着高度的联系。

3.4 Lasso-Cox风险指数是独立的预后因素

作者将他们模型生成的lasso–Cox risk index与已知的临床和分子预后标志物（如Grade, Stage, 以及一些已知的基因突变和表达标志）进行了单变量和多变量Cox回归分析。

在单变量分析中，Lasso–Cox risk index显示出极强的预后能力（HR=3.06, P=5.02e-9）。在多变量分析中，当校正了所有其他已知预后因素后，Lasso–Cox risk index仍然是一个独立的、显著的预后因素（HR=2.26, P=2.31e-4），其显著性仅次于Stage。

3.5 预测早期ccRCC的生存

肿瘤分期是强大的预后因素，但对于早期（I期和II期）患者，分期本身的区分能力有限。作者检验了他们的模型是否能对早期患者进行有效分层。

图A, B显示，传统的Stage无法有效区分I期和II期患者的生存差异（P=0.962）。然而，无论是单个的图像特征（图C, D）、单个的eigengene（图E），还是整合后的lasso–Cox模型（图F），都能够将早期患者显著地区分为不同的风险亚组。整合模型的表现最佳（P=0.014），这证明了该方法在对临床上难以区分的早期患者进行风险分层方面的独特价值。

有趣的是，在早期患者中，与预后相关的eigengenes（模块3和13）主要富集于与肾脏生理功能相关的基因和可能存在拷贝数变异的染色体区域，这为早期ccRCC的预后机制提供了新的线索。