多分辨率深度学习的特点是三级淋巴体结构及其在固体瘤中的预后相关性.
Mart van Rijthoven1, Simon Obahor2, Fabio Pagliarulo2
1Pathology Department, Radboud University Medical Center, Nijmegen, Netherlands. mart.vanrijthoven@radboudumc.nl.
Communications medicine
|January 5, 2024
概括
使用HookNet-TLS深度学习对三级淋巴体结构 (TLS) 的自动定量显示了癌症病理学的人类水平性能. 该工具可以在常规的H&E幻灯片中进行客观的TLS评估,以改进生物标志物开发.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 免疫组织化学和生物标志物的发展.
背景情况:
- 三级淋巴体结构 (TLS) 是瘤中的免疫细胞聚合物,与更好的患者结果和免疫疗法反应有关.
- 准确的TLS量化对于它们在固体瘤中作为预测和预后生物标志物的使用至关重要.
- 目前用于TLS密度的组织学评估方法缺乏标准化,这阻碍了可靠的临床应用.
研究的目的:
- 在数字病理学幻灯片中开发一种自动化的,公正的深度学习方法来量化TLS和生殖中心.
- 通过手动评估来验证开发模型的性能,并评估其预后价值.
主要方法:
- 介绍了HookNet-TLS,这是一个用于自动化TLS量化的多分辨率深度学习模型.
- 使用1019个手动注释的TCGA数字病理幻灯片开发和培训HookNet-TLS.
- 使用的数据集包括清细胞细胞癌,肌肉侵入性膀癌和肺状细胞癌.
主要成果:
- 在多种癌症类型的自动TLS量化中,HookNet-TLS实现了人类水平的性能.
- 自动化量化证明了与传统视觉评估方法相比的预后关联.
- 该模型从常规的H&E染色幻灯片提供客观和可重现的TLS密度测量.
结论:
- HookNet-TLS为数字病理学中的客观TLS量化提供了一个强大的工具,促进生物标志物研究.
- 公开使用HookNet-TLS的目的是促进其在癌症研究中的广泛采用.
- 这种自动化方法有可能标准化TLS评估,提高临床环境中的生物标志物可靠性.


