细胞空间组织的深度学习在组织图像中识别出临床相关的见解

科学领域:

• 计算病理学计算病理学
• 生物信息学是一种生物信息学.
• 医学成像分析分析 医学成像分析

背景情况:

• 先进的组织成像使得健康和疾病中的细胞类型识别成为可能.
• 现有的方法缺乏对单个细胞空间相互作用的详细分析.
• 了解细胞的空间组织对于预测疾病进展至关重要.

研究的目的:

• 介绍Ceograph,一个图形卷积网络,用于从病理图像分析细胞空间组织.
• 评估Ceograph根据空间特征预测临床结果的能力.
• 确定恶性转变和治疗反应的关键空间生物标志物.

主要方法:

• 开发了Ceograph,一个基于细胞空间组织的图形卷积网络.
• 应用Ceograph对口腔潜在恶性疾病和肺癌患者的病理图像.
• 分析了细胞的空间分布,形态,近距离和相互作用.
• 与临床结果相关的确定的空间特征,包括恶性转变和治疗不敏感性.

主要成果:

• 通过识别关键的空间组织特征,Ceograph准确地预测临床结果.
• 在口腔潜在恶性疾病中,结构一致性降低和上皮质基质接近度增加预测恶性转变风险.
• 在肺癌中,延长的瘤核和减少的侧层-侧层密度表明对EGFR氨酸激酶抑制剂的不敏感性.

结论:

• 脑电图提供了一个强大的工具,用于分析病理图像中的细胞空间组织.
• 该模型确定了用于预测疾病进展和治疗反应的新型空间生物标志物.
• 脑电图有助于更深入地了解生物过程,并支持个性化治疗策略.