近年来，深度学习技术在科研领域引起了广泛关注，其灵感源自人工神经网络但超越了传统模型。深度学习之所以备受青睐，主要得益于其出色的学习能力、广泛的应用范围、良好的适应性以及数据驱动下的巨大潜力。目前，将深度学习与影像组学相结合，不仅能够充分发挥影像组学的优势，还能进一步拓宽深度学习的应用场景，实现两者的优势互补。
今天小记者就为大家分享一篇选自《npj Precision Oncology》期刊的一篇的关于深度学习和放射组学分析相结合的文章，这篇文章首先是将深度学习和放射学结合，然后再结合转录组学，探讨了软组织肉瘤（STS）患者的预后问题。本文首先通过当下火热的生信分析技术—深度学习，提取了肿瘤患者的放射组学特征，然后再结合放射组学和转录组学数据，构建预后模型，提高了模型的可靠性和解释性。深度学习作为重要的分析方法，与影像学结合，在临床上绝对是王炸的组合，可以在多个科室和不同疾病中应用，发展潜力一定会很好~
（PS：让我们一起深入探索这篇杰出的研究文章，体验深度学习的奥妙！如果你有许多创新的想法但不确定如何开始，不妨来找小记者，小记者会帮你找到合适的切入点！）
定制生信分析
云服务器租赁
(加微信备注99领取试用)
题目：治疗前计算放射组学、深度放射组学和转录组学的整合提高了软组织肉瘤患者的预后
杂志：npj Precision Oncology
影响因子：IF=6.8
发表时间：2024年6月
公众号回复“999”领取原文PDF，文献编号：240915
研究背景
软组织肉瘤（STS）是一种恶性间充质肿瘤，具有多样的临床和影像学特征，影响预后。对比增强MRI（CE-MRI）是评估局部晚期STS的重要手段，但传统评估方法主观且难以捕捉肿瘤内部复杂性。放射组学通过量化医学影像中的肿瘤特征，提供了一种可能的非侵入性虚拟活检方法。
研究思路
本研究采用对比增强磁共振成像（CE-MRI）对局部晚期软组织肉瘤（STS）进行评估，通过提取手工和深度学习放射组学特征（RFs），并将其与患者的基因表达谱及临床预后指标相结合，旨在揭示肿瘤的分子特征与影像学表型之间的联系，构建预测模型以提高STS的诊断准确性和治疗个性化，进而探索放射组学在临床实践中的潜在应用价值。
研究结果
1.患者特征放射组学特征与肿瘤异质性
本研究通过对829例软组织肉瘤（STS）患者进行筛选，最终纳入225例患者进行特征分析（表1），其中最常见的组织类型为未分化多形性肉瘤（UPS）。采用无监督一致聚类方法对患者进行h-RF聚类，同时，开发并训练了CAE和HSCAE卷积神经网络以提取d-RFs。此外，对110名患者的转录组学数据进行非监督一致性聚类。结果显示，肿瘤大小和化疗接受情况在训练和测试队列中存在差异，且图像重建误差保持在1%以下。
表1：患者特征
2.患者聚类
本研究通过分析放射组学聚类与临床、组织学、放射评估、分类群和转录组学聚类之间的关联，发现放射组学聚类与肿瘤大小、分类群和语义放射表型系统显著相关（表2）。此外，h-RF聚类与组织学类型显著相关，且UPS在Ah-RF组中更为常见。虽然放射组学与转录组学聚类之间无直接相关性，但CAE和HSCAE分组显示出高度一致性。转录组学聚类与组织学类型和FNCLCC分级显著相关，ARNA组的III级STS发生率高于BRNA组。
表2：基于放射组学的聚类的关联
3.放射组学和转录组学的互补性
本研究通过生存分析和Cox回归模型评估了放射组学和转录组学的预后价值，发现Bh-RF和AHSCAE组与较差的无转移生存（MFS）相关。单变量和多变量分析显示，h-RF和d-RF聚类与MFS显著相关，其中Bh-RF和AHSCAE组的预后最差。通过5重交叉验证，结合放射组学和转录组学聚类的模型显著提高了Harrell一致指数，表明这两种聚类方法在预测预后方面具有互补性（图1）。特别是，ARNA × AHSCAE组合组的MFS预后最差，与转移复发的风险显著相关。此外，深度放射组学和转录组学联合模型略微提高了临床-组织学列线图的预后性能。
图1：根据放射组学和转录组学数据(n = 110)对亚短期患者的转移性无复发生存率(MFS)进行的生存分析总结
4基因表达分析
本研究通过差异基因表达（DGE）分析鉴定了1230个在ARNA×AHSCAE组与其他组之间差异表达的基因，并通过基因集富集分析（GSEA）揭示了292个显著富集的途径（图2）。这些途径的基因在炎症反应、上皮-间质转化、缺氧、凋亡抑制、G2M检查点、紫外线反应、E2F靶标和异生素代谢方面被激活，与ARNA×AHSCAE组预后较差的情况一致。进一步的回顾分析确定了这些途径中在多种肿瘤中具有致癌作用的重要基因。此外，使用PAMr机器学习方法，研究确定了162个在ARNA×AHSCAE组与其他组之间具有鉴别价值的基因，这些基因主要属于上皮-间质转化、缺氧和凋亡抑制基因集。
图2：总结了ARNA×AHSCAE组和其他组之间的差异基因表达( DGE )和通路分析
文章小结
这篇文章旨在通过分析软组织肉瘤（STS）患者的预处理计算机断层扫描（CT）和磁共振成像（MRI）数据，结合放射组学和转录组学数据，来提高对STS患者预后的预测。本文首先通过深度学习，这个当下火热的生信分析方法，提取了放射组学特征，再结合放射组学和转录组学数据，构建预后模型，提高了模型预测的可靠性和解释性。怎么样？深度学习与放射学相结合的发文思路是不是很有创新型！（有生信分析或者文章思路复现需求的可以联系小记者，我们有专业的技术团队为您服务，早发文，早毕业啊~）
小记者话生信
如果您的时间和精力有限或者缺乏相关经验，并且对生信分析和期刊推荐有所需要的话，“生信日报”非常乐意为您提供如下服务：免费思路评估、付费生信分析和方案设计以及付费选刊等，有意向的小伙伴欢迎咨询小记者哦！
生信分析
思路设计
服务器租赁
扫码咨询小记者
1、超高分sci！将近50分你还有不看的理由？德国学者真是把机器学习玩出花了，直接构建一个新生信分析方法，还不快看！
2、国自然出品就是牛！复旦大学施思&虞先濬团队：借公共数据库+RNA-seq+湿实验研究癌症成纤维，IF近9分属实佩服！
3、MDPI期刊再爆丑闻！23本期刊存在“审稿人工厂”问题！