使用深度学习将c-MYC和BCL2的预后量化从组织微阵列转换为扩散大B细胞淋巴瘤中全幻灯片图像

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
• 生物标志物的量化和量化.

背景情况:

• c-MYC和BCL2阳性是扩散大B细胞淋巴瘤 (DLBCL) 的关键预后因素.
• 这些标记物的手动量化容易导致观测者的显著变化.
• 在全幻灯片图像 (WSI) 中的自动量化解决了大组织面积和染色异质性的挑战.

研究的目的:

• 开发和验证一种用于量化DLBCL中的c-MYC和BCL2表达的自动化方法.
• 用同质组织微阵列 (TMA) 核心注释训练模型并将其转换为WSIs.
• 评估方法在相关性,灵敏度,特异性和生存分层方面的表现.

主要方法:

• 基于注意力的多重实例学习被用来回归瘤细胞的阳性.
• 该模型在病理学家得分的TMA上进行了训练,使用核心级别的注释.
• 经过训练的模型被应用于WSIs,通过将幻灯片拼接成更小的区域来进行总计得分.

主要成果:

• 在TMA中观察到高皮尔森相关性 (c-MYC为0.843,BCL2为0.919).
• 该方法实现了对c-MYC,BCL2和双表达体的高灵敏度和特异性.
• 在外部WSI数据集上,该模型显示出强烈的相关性和良好的灵敏度/特异性,在生存分析中表现优于无进展生存的手动评分.

结论:

• 基于注意力的多实例学习有效地回归正色彩比例.
• 开发的模型显示了对整个幻灯片图像的强大泛化.
• 自动化方法提供了无进展生存结果的可靠分层,与手动评分相当或优于手动评分.