ディープラーニングを用いたヒストオパトロジーベースのタンパク質複合生成

科学分野:

• 計算生物学
• 病理学について
• 医療における人工知能

背景:

• 多重複合タンパク質画像は腫瘍と微小環境の相互作用を理解するために不可欠ですが,コスト,時間,組織アクセシビリティの制限に直面しています.
• 標準的な血酸化素とエオシン (H&E) 組織病理学画像は広く利用可能だが,詳細なタンパク質情報は欠けている.

研究 の 目的:

• 標準的なH&E画像から空間的に解明されたタンパク質複合体を生成するためのディープラーニングフレームワーク,HistoPlexerを開発する.
• 腫瘍の微小環境のコストと時間の効率的な特徴付けを可能にするために,精密腫瘍学を前進させる.

主な方法:

• HistoPlexerは,カスタム損失関数を持つ条件付き生成対抗ネットワークアーキテクチャを使用しています.
• このフレームワークは複数の腫瘍と免疫マーカーを共同で予測し,ピクセルと埋め込みレベルの類似性を確保し,スライスからスライスへの変化を最小限に抑えます.
• 検証には,転移性メラノーマのサンプルに関する専門家の評価と,公的に利用可能な様々ながんデータセットのベンチマーキングが含まれていました.

主要な成果:

• HistoPlexerで生成されたタンパク質マップは,実験的に導かれたマップと密接に似ており,タンパク質の共同局所化パターンを含む重要な生物学的関係を保存しています.
• 予測された免疫浸透パターンは,腫瘍を特定の免疫サブタイプに分類することを可能にしました.
• HISTOPLEXERによる機能の統合は,H&E機能のみを使用すると比較して,生存予測と免疫サブタイプ分類モデルを改善しました.
• この方法は,様々な癌のタイプとイメージング状態において,堅実性を示し,ベースラインのアプローチを上回りました.

結論:

• HistoPlexerは,通常のH&E画像から全スライドタンパク質マルチプレックス生成の強力で効率的な方法を提供します.
• このアプローチは,腫瘍の微小環境の特徴を大幅に改善し,精密な腫瘍学にとって貴重なツールを提供します.
• このフレームワークが腫瘍を分層化し 予測モデルのパフォーマンスを向上させることが 臨床意思決定に影響を与える可能性を強調しています