计算纹理映射协调了采样变化,并揭示了多维的本病学指纹.

科学领域:

• 组织病理学 组织病理学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 血素和乙素 (H&E) 数字幻灯片面临的技术偏差,危及计算基因病理学.
• 样本质量和变异在组织病理学研究中引入了重大,未经记录的技术谬误.

研究的目的:

• 调查样本质量和采样变异是否在计算病理学中引入技术谬误.
• 开发和验证一种计算方法,用于标准化组织病理学数据和解决技术偏差.

主要方法:

• 使用了癌症基因组图谱 (TCGA) 清细胞细胞癌 (ccRCC) 数据集,注释了约78,000个图像.
• 训练有素的深度学习模型来检测组织结构和淋巴细胞透.
• 与临床,免疫学,基因组和转录组资料相关的组织学特征.

主要成果:

• 深度学习模型在分类纹理和淋巴细胞透方面实现了95%的准确性.
• 纹理分析显示了TCGA数据集中的采样偏差和亚优样本质量.
• 计算纹理映射 (CTM) 规范了纹理变异,协调了他的病理学架构.
• 通过CTM协调的数据显示了瘤纤维化,组织学等级,EMT,突变负担和转移之间的关联.

结论:

• 基于纹理的标准化有效地解决了计算病理学中的技术偏见.
• 这种方法有助于理解组织架构的分子基础.
• 所有开发的代码,数据和模型都作为社区资源公开发布.