从全切片图像到生物标志物预测：计算病理学中端到端深度学习的流程规范

苏木精-伊红（H&E）染色的全幻灯片图像（WSIs）是癌症诊断的基础。近年来，计算病理学领域中基于深度学习的方法不断发展，使得直接从WSIs预测生物标志物成为可能。然而，如何在大规模上准确地将组织表型与生物标志物关联起来，仍是实现精准肿瘤学中复杂生物标志物普及化的一个关键挑战。本协议介绍了一种实用的工作流程——实体瘤关联建模在病理学中的应用（STAMP），该流程利用深度学习技术，可直接从WSIs预测生物标志物。STAMP工作流程具有生物标志物无关性（biomarker-agnostic），并支持将基因组数据和临床病理学表格数据作为额外输入，与组织病理学图像共同用于建模。该协议包含五个主要阶段，已在多种研究问题中成功应用：问题定义、数据预处理、建模、评估与临床转化。STAMP工作流程的独特之处在于其强调作为协作框架的实用性，能够为临床医生与工程师共同开展计算病理学研究项目提供支持。作为示例任务，我们采用STAMP对结直肠癌中的微卫星不稳定性（MSI）状态进行预测，结果表明该方法在识别MSI-high肿瘤方面表现出优异的准确性。此外，我们还提供了开源代码库，该代码已在全球多家医院部署，用于构建计算病理学工作流程。STAMP工作流程仅需约一天的动手计算操作时间，并具备基本命令行操作知识即可完成。