Cancer Research
深度学习模型基于全切片图像预测胃肠道间质瘤的[[KIT]]和[[PDGFRA]]突变状态及临床预后

小赛推荐：

该研究为胃肠道间质瘤的分子分型和复发风险评估提供了基于常规病理切片的无创预测工具，提示未来可通过整合数字病理与AI模型优化风险分层与辅助治疗决策。

 

文献概述

本文《Deep Learning Predicts Mutations and Outcomes in Gastrointestinal Stromal Tumors》，发表于《Cancer Research》杂志，系统探讨了如何利用深度学习（DL）模型从胃肠道间质瘤（GIST）的苏木精-伊红（H&E）染色全切片图像（WSI）中直接预测KIT和PDGFRA突变状态、治疗敏感性及无复发生存期（RFS）。研究基于来自七个国家21个中心的8,398例GIST病例，是目前国际上最大规模的多中心GIST数字病理AI研究。作者采用先进的视觉Transformer架构，结合Foundation Model（如CONCH）进行特征提取，实现了对关键驱动基因突变的高精度识别，并构建了独立于传统AFIP/MJ评分的DL预后模型。结果表明，DL模型不仅能准确识别KIT exon 11和PDGFRA exon 18 D842V等具有明确临床意义的突变亚型，还能有效预测患者对伊马替尼和阿伐替尼的敏感性，同时在多个队列中展现出与传统病理评分相当的预后分层能力。

背景知识

胃肠道间质瘤（GIST）是源于胃肠道最常见的间叶源性肿瘤，其发病机制高度依赖于KIT或PDGFRA基因的激活突变。KIT突变约占60%-70%，其中KIT exon 11缺失/插入突变与侵袭性表型相关，但对伊马替尼敏感；而KIT exon 9突变则需更高剂量伊马替尼才能有效。PDGFRA exon 18 D842V突变则导致对大多数酪氨酸激酶抑制剂（TKI）耐药，但对阿伐替尼敏感。约10%-15%的GIST为野生-type（WT），对现有TKI疗效有限。当前风险分层依赖于肿瘤大小、有丝分裂指数和原发部位等临床病理参数（如AFIP/MJ标准），但存在观察者间差异和主观性问题。尽管分子检测是标准，但在资源有限地区难以普及。因此，开发一种基于常规H&E切片的无创、可重复、低成本的预筛方法具有重大临床价值。本研究的切入点正是利用深度学习挖掘H&E图像中与KIT和PDGFRA突变相关的细微形态学特征，实现分子表型的视觉推断，并进一步整合治疗信息以预测临床结局，从而为精准治疗提供辅助决策支持。

 

针对胃肠道间质瘤（GIST）研究，赛业生物提供基于CRISPR/Cas9技术的基因敲除与点突变小鼠模型定制服务，可精准模拟KIT和PDGFRA基因的各类突变，如exon 11缺失或D842V点突变，助力研究基因功能与肿瘤发生机制。我们拥有成熟的iPSC基因编辑平台，支持高效率HDR修复，确保模型准确性。结合表型分析与药效评价服务，可全面评估肿瘤生长、转移及药物响应，为GIST的机制研究与新药开发提供一站式解决方案。

了解更多

 

研究方法与核心实验

研究团队构建了包含8,045例GIST全切片图像的国际多中心队列（DIGIST队列），来自七个国家21个医学中心，所有病例均配有标准化的临床、病理、分子和随访数据。图像预处理采用STAMP流程进行平铺和背景剔除，使用CONCH模型提取图像块特征，并输入Vision Transformer（ViT）进行分类。模型训练采用严格的地理分割策略：法国、德国、荷兰和日本的手术切除样本用于训练和内部验证，而西班牙、意大利和波兰的样本则作为外部验证集，确保模型泛化能力。对于突变预测，模型针对KIT、PDGFRA、WT及关键亚型（如KIT exon 11 del-ins557-558、PDGFRA exon 18 D842V）进行二元分类。对于预后预测，研究构建了基于注意力机制的多实例学习模型，以预测10年内的无复发生存期（RFS），并分别在总体队列（C1）、未接受辅助治疗（C2）和接受辅助治疗（C3）的亚组中进行评估。模型性能通过AUC、C-index、一致性指数和Brier评分等指标量化，并与传统AFIP/MJ评分进行比较。

关键结论与观点

• DL模型能从H&E全切片图像中准确预测KIT和PDGFRA突变状态，外部验证AUC分别为0.87和0.96，表明形态学与分子特征之间存在强关联，为后续分子诊断的快速预筛提供了可靠工具
• 对于特定亚型，PDGFRA exon 18 D842V的预测AUC达0.93，KIT exon 11 del-ins557-558的AUC为0.67，显示模型对具有明确治疗指导意义的突变具备识别能力，提示靶向治疗前可借助AI进行初筛
• DL模型对阿伐替尼和伊马替尼敏感性的预测AUC分别为0.84和0.81，说明其能有效推断治疗反应，为后续药物敏感性研究提供了非基因组学路径
• 在总体队列中，DL模型预测RFS的HR为8.44，C-index为0.67，虽低于AFIP评分（0.80），但优于有丝分裂计数，且在多变量Cox回归中DL评分为独立预后因子（HR=2.83），表明其提供额外预后信息，对预后模型构建具有指导意义
• 在辅助治疗亚组（C3）中，DL模型C-index为0.60，优于AFIP评分（0.56），提示其在已接受治疗人群中仍具分层能力，可能用于指导辅助治疗时长决策

研究意义与展望

该研究展示了深度学习在胃肠道间质瘤精准医疗中的巨大潜力。通过仅使用常规H&E切片，模型实现了对关键驱动基因突变和治疗反应的预测，降低了对昂贵分子检测的依赖，尤其适用于资源有限地区。其独立的预后价值提示可作为现有评分系统的补充，提升风险分层的客观性与准确性。未来研究可探索将DL模型与基因组数据融合，构建多模态预测系统。此外，模型在活检样本上的性能虽略低，但仍具应用前景，提示其可用于术前评估。最终，该技术有望集成至数字病理工作流，实现实时辅助诊断与治疗建议，推动个性化医疗在GIST中的落地。

 

赛业生物提供专业的肿瘤药效评价服务，涵盖胃肠道间质瘤（GIST）的皮下或原位移植模型构建、药物处理与肿瘤生长监测。我们拥有丰富的肿瘤细胞库和人源化小鼠模型，支持个性化药效研究。服务包括活体成像、组织病理分析（如H&E染色、免疫组化）、分子检测（qPCR、Western Blot）及血液生化分析，全面评估药物的抗肿瘤效果与安全性。结合基因编辑动物模型，可开展从靶点验证到药效评价的全流程研究，加速GIST新疗法的临床前开发。

了解更多

 

结语

本研究通过大规模国际多中心队列验证了深度学习模型在胃肠道间质瘤（GIST）中的强大应用价值。基于常规H&E全切片图像，该模型不仅能高精度识别KIT和PDGFRA等关键驱动基因的突变状态，特别是对PDGFRA exon 18 D842V这类指导阿伐替尼使用的耐药突变，还能有效预测患者对伊马替尼的敏感性及无复发生存期。其预后性能在部分亚组中优于传统AFIP评分，且为独立预后因子，显示出超越传统形态学评估的信息挖掘能力。这一技术为GIST的分子分型提供了一种无创、低成本、可扩展的预筛工具，尤其有助于在缺乏分子检测资源的地区优化治疗决策。更重要的是，DL模型在辅助治疗人群中的表现提示其可能用于个体化治疗时长的判断，为延长高危患者TKI治疗提供依据。总体而言，该研究为从实验室到临床的转化提供了坚实基石，推动了AI在实体瘤精准医疗中的实际应用，有望重塑未来GIST的诊疗路径，提升全球范围内的照护均等性与精准度。

 

Arianna Bonetti, Van-Linh Le, Zunamys I Carrero, Jean-Michel Coindre, and Jakob Nikolas Kather. Deep Learning Predicts Mutations and Outcomes in Gastrointestinal Stromal Tumors. Cancer Research.