对大规模多重复合临床试验数据集图像分析中的强度变化进行核算
Anja L Frei1,2, Anthony McGuigan3, Ritik Rak Sinha3
1Department of Pathology and Molecular Pathology, University Hospital Zurich, University of Zurich, Zurich, Switzerland.
The journal of pathology. Clinical research
|September 12, 2023
概括
这项研究引入了多重免疫光 (mIF) 成像的适应性值方法,使得临床试验中能够进行大规模的瘤免疫形. 该方法有效地处理分析前的变异性,确保复杂的免疫细胞数据的可靠分析.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 数字病理学数字病理学
背景情况:
- 多复合免疫光 (mIF) 对于瘤免疫选至关重要,提供定量和空间免疫标记数据.
- 将mIF扩展到多机构的临床试验样本受到预分析异质性的阻碍.
- 在临床环境中进行大规模的mIF研究需要标准化分析方法.
研究的目的:
- 开发和验证临床试验样本的大规模多重免疫光成像 (mIF) 的分析方法.
- 为了应对在mIF数据分析中分析前异质性和幻灯片间/幻灯片内变化的挑战.
- 为了实现可靠和可扩展的数字病理学分析,用于精确的免疫分析.
主要方法:
- 在两个临床试验中,分析了来自3,545种结直肠癌的12,592个组织微阵列 (TMA) 斑点.
- 使用多重免疫光学 (mIF) 染色用于CD4,CD8,CD20,CD68,FoxP3,泛细胞和DAPI.
- 开发并应用了基于细胞和基于像素的图像分析的自适应值方法,以考虑强度变化.
主要成果:
- 在TMA分析中,自适应值方法有效降低了幻灯片间和幻灯片内强度变化.
- mIF CD8数据与单复合免疫组织化学 (斯皮尔曼 ρ 0.63-0.66,p<0.01) 相关性良好,验证了该方法.
- 基于细胞和基于像素的分析显示了高等价性 (斯皮尔曼的 ρ > 0.8, p < 0.01),证实了分析稳定性.
结论:
- 适应性值方法允许可扩展和可靠的分析mIF染色的临床试验TMA数据集.
- 这种方法通过数字病理学促进了精确的免疫分析,克服了多机构研究中的挑战.
- 这些发现支持mIF在大规模临床试验中更广泛地用于生物标志物发现的样本分析.
