题目：Prediction of DNA methylation-based tumor types from histopathology in central nervous system tumors with deep learning
DEPLOY (Deep lEarning from histoPathoLOgy and methYlation)是一个深度学习框架，可预测 DNA 甲基化并从组织病理学中对中枢神经系统肿瘤进行分类。
DEPLOY 具体方法和验证过程：
1.深度学习模型的开发：为了从H&E染色切片构建DNA甲基化预测器，作者训练了一个深度学习模型，使用了NCI的匹配幻灯片图像和DNA甲基化档案（共1796名患者）。
2.间接模型：该模型利用四种不同的经典机器学习算法，基于推断出的DNA甲基化数据来训练和预测肿瘤类型。
3.直接模型：直接模型采用另一个深度学习分类器，直接基于图像来训练和预测肿瘤类型，而不依赖于任何中间的分子水平预测。
4.人口统计学模型：该模型采用三个特定的变量：年龄、性别和肿瘤位置，来对肿瘤类型进行分类。
5.模型集成：通过计算三种模型的预测分数的平均值，创建了一个统一的预测模型。这种集成模型的性能超过了三种单独的分类预测模型。
6.模型性能评估：首先，在NCI队列上进行了五折交叉验证，其中DEPLOY模型在患者子集上迭代训练，并在剩余子集上进行预测。
其次，为了验证模型，DEPLOY分类器在来自Digital Brain Tumor Atlas (DBTA)、Children’s Brain Tumor Network (CBTN)和NCI–Prospective队列的外部H&E图像上进行了评估，分别包括1522名、348名和286名患者。
通过这种方法，作者展示了深度学习在提高从H&E染色切片中获得的诊断准确性方面的潜力，为病理学家在诊断上具有挑战性的案例提供了快速评估，可能有助于推进资源有限地区的脑癌治疗。此外，这种方法为将来开发其他癌症类型的准确高分辨率基于H&E的肿瘤分类器奠定了计算基础。
参考文献：Nature Medicine, 2024, doi: 10.1038/s41591-024-02995-8.