Authors
Charlie Saillard, Flore Delecourt, Benoit Schmauch, Olivier Moindrot, Magali Svrcek, Armelle Bardier-Dupas, Jean Francois Emile, Mira Ayadi, Vinciane Rebours, Louis de Mestier, Pascal Hammel, Cindy Neuzillet, Jean Baptiste Bachet, Juan Iovanna, Nelson Dusetti, Yuna Blum, Magali Richard, Yasmina Kermezli, Valerie Paradis, Mikhail Zaslavskiy, Pierre Courtiol, Aurelie Kamoun, Remy Nicolle, Jerome Cros
- Bibliographic Reference
- Charlie Saillard, Flore Delecourt, Benoit Schmauch, Olivier Moindrot, Magali Svrcek, et al.. Pacpaint: a histology-based deep learning model uncovers the extensive intratumor molecular heterogeneity of pancreatic adenocarcinoma. Nature Communications, 2023, 14 (1), pp.3459. ⟨10.1038/s41467-023-39026-y⟩. ⟨hal-04164254⟩
- DOI
- https://doi.org/10.1038/s41467-023-39026-y
- Funding
- This work was granted access to the HPC resources of IDRIS under the allocation AD011012519 made by GENCI.
- HAL Collection
- ['Université de Rennes 1', 'HAL Grenoble Alpes', 'IMAG', 'CNRS - Centre national de la recherche scientifique', 'Aix Marseille Université', 'Institut polytechnique de Grenoble', 'AP-HP', 'SFR Biosit - Biologie et Santé CNRS UMS 3480', 'UNICANCER', 'Institut Curie', 'Institut Paoli-Calmettes', 'Institut Génétique et Développement de Rennes', 'Université de Versailles Saint-Quentin-en-Yvelines', "UFR SVE Sciences de la vie et de l'environnement", 'Publications labos UR1 dans HAL-Rennes 1', 'Université Paris sciences et lettres', 'UR1 - publications SDV', 'Université Paris-Saclay', 'TEST Université de Rennes CSS', 'Université de Rennes', 'Sorbonne Université', 'Sorbonne Université 01/01/2018', 'Centre de Recherche en Cancérologie de Marseille', 'Faculté de Santé de Sorbonne Université', 'Médecine - Sorbonne Université', 'Université de Lyon', 'Université Paris Cité', 'Université de Paris - Faculté de Santé', 'Institut Curie - PSL', 'UVSQ-UPSACLAY', 'Université Grenoble Alpes [2020-*]', 'Sorbonne Université - Texte Intégral', 'Pôle Rennes 1 - Biologie-Santé', 'Alliance Sorbonne Université', 'Biologie et génétique du cancer']
- HAL Identifier
- 4221280
- Institution
- ['Owkin France', 'Institut National de la Santé et de la Recherche Médicale', 'Université Paris Cité', 'Hôpital Beaujon [AP-HP]', 'CHU Saint-Antoine [AP-HP]', 'CHU Pitié-Salpêtrière [AP-HP]', 'Hôpital Ambroise Paré [AP-HP]', 'Université de Versailles Saint-Quentin-en-Yvelines', 'IntegraGen', 'Hôpital Paul Brousse', 'Institut Curie [Paris]', 'Aix Marseille Université', 'Institut Paoli-Calmettes', 'Université de Rennes', 'Structure Fédérative de Recherche en Biologie et Santé de Rennes', "VetAgro Sup - Institut national d'enseignement supérieur et de recherche en alimentation, santé animale, sciences agronomiques et de l'environnement", 'Institut polytechnique de Grenoble - Grenoble Institute of Technology']
- Laboratory
- ["Centre de recherche sur l'Inflammation", 'INTEGRAGEN', 'Centre de Recherche en Cancérologie de Marseille', 'Institut de Génétique et Développement de Rennes', 'Translational Innovation in Medicine and Complexity', 'Recherche Translationnelle et Innovation en Médecine et Complexité - UMR 5525']
- Published in
- France
Table of Contents
- Pacpaint: a histology-based deep learning model uncovers the extensive intratumor molecular heterogeneity of pancreatic adenocarcinoma 0
- Results 0
- PACpAInt predicts neoplastic areas and tumor molecular subtypes at the whole-slide level 0
- PACpAInt highlights PDAC intratumor macroheterogeneity and its prognostic impact 0
- PACpAInt can decipher intratumor microheterogeneity 0
- PDAC displayed major intratumor microheterogeneity with an important prognostic impact 0
- PACpAInt highlights PDAC intratumor microheterogeneity and its prognostic impact 0
- Discussion 0
- Methods 0
- Ethical compliance 0
- Datasets description 0
- Transcriptome profiling and molecular subtyping 0
- Preprocessing of whole-slide images 0
- Neoplastic and cell type prediction 0
- Molecular prediction 0
- Spatial validation 0
- Performance assessment and statistical methods 0
- Intratumor heterogeneity subtypes 0
- Clinical variables used in the multivariate analysis 0
- Reporting summary 0
- Data availability 0
- Code availability 0
- References 0
- Acknowledgements 0
- Author contributions 0
- Competing interests 0
- Additional information 0