一种机器学习方法,用于自动识别性结肠炎中LAG3+/CD3+细胞的空间识别

科学领域:

• 数字病理学数字病理学
• 免疫组织化学 免疫组织化学
• 医学中的人工智能.

背景情况:

• 数字图像分析的自动化在研究和临床环境中至关重要.
• 人工智能/ML的进步提高了细胞表型识别的吞吐量和准确性.
• 免疫检查站正在成为自身免疫性疾病的治疗目标.

研究的目的:

• 开发和验证一个半自动成像和分析管道,用于在结直肠组织子部中识别CD3+/LAG3+T细胞.
• 通过整合光成像来克服AI/ML表型化中色素染色的局限性.
• 为了使在疾病活检中用于免疫细胞分析的空间上下文保存.

主要方法:

• 开发了一种混合成像管道,该管道将免疫光和亮场染色 (血素和素) 结合在同一组织部分.
• 利用AI/ML进行强大的组织细分和免疫细胞的准确表型.
• 实现了一种兼容高通量分析的半自动化工作流程.

主要成果:

• 该管道在组织细分和免疫细胞表型化方面都表现出了稳健性.
• 在结直肠组织子室内成功识别和空间定位CD3+/LAG3+T细胞.
• 在性结肠炎活检中确认了LAG3+T细胞的存在,并保留了空间上下文.

结论:

• 开发的管道为免疫细胞,特别是CD3+/LAG3+T细胞的空间分析提供了强大的工具.
• 这种方法提高了自身免疫性疾病研究中的免疫检查点分析的准确性和效率.
• 该方法适用于自动化工作流程,并为疾病病理学和治疗疗效提供了宝贵的见解.