机器学习对内瘤透性淋巴细胞的量化作为高度严重卵巢癌的显著预后因素

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:

• 瘤透淋巴细胞 (TIL) 在许多癌症中具有预后价值.
• 之前在高度血清性卵巢癌 (HGSOC) 中的TIL量化是半量化.
• 对于HGSOC的临床相关性研究,需要准确的TIL量化.

研究的目的:

• 开发一个机器学习系统,在HGSOC.中准确量化TIL.
• 为了将免疫参数与整体存活率 (OS) 和无进展存活率 (PFI) 相关联.
• 调查HGSOC中内皮层TILs (ieTILs) 的预后作用.

主要方法:

• 从76个先进的HGSOC案例中使用了H&E染色的部分.
• 开发了一种用于免疫细胞分类的机器学习系统.
• 与临床结果相关的量化免疫参数 (OS和PFI).

主要成果:

• 强烈的TIL植入瘤线索与更好的预后相关.
• 内皮层TILs (ieTILs) 度是OS和PFI的一个独立的有利预后因素.
• 完全手术细胞减小和高iTILs水平对OS和PFI的协同效应.

结论:

• 机器学习在HGSOC中提供了准确的TIL量化.
• ieTILs在H&E幻灯片中的量化是一个独立的预后参数.
• ieTILs量化可以确定有资格接受免疫治疗的患者.