使用多个实例学习的黑色素瘤全幻灯片图像的免疫亚型

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
• 数字病理学图像分析图像分析

背景情况:

• 黑色素瘤患者的结果取决于早期预后标志物和治疗分层.
• 瘤转录组分析识别了与生存相关的免疫子组,但成本昂贵且不常规.
• 目前的临床工作流程缺乏有效的方法来进行黑色素瘤瘤的免疫分析.

研究的目的:

• 开发和验证深度学习模型,以使用常规组织病理学幻灯片对黑色素瘤免疫子组进行分类.
• 为了克服转录组分析的局限性,利用随时可用的血素和素 (H&E) 染色幻灯片.
• 建立一个具有成本效益和临床适用的方法,用于黑色素瘤患者分层.

主要方法:

• 对六个多个实例学习 (MIL) 框架的系统评估.
• 在五个图像分辨率和三种特征提取方法中进行评估.
• 为千兆像素H&E幻灯片分类开发病理特定的自我监督模型.

主要成果:

• 10倍分辨率的病理特异性自我监督模型实现了优越的免疫亚型分类.
• 在一次性黑色素瘤数据集中达到0.80的平均AUC,在TCGA数据集中达到0.82的"高"和"低"免疫分类.
• 根据免疫状况,成功地将患者分为不同的生存组 (逻辑等级测试,P<0.005).

结论:

• 在H&E幻灯片上的深度学习为黑色素瘤免疫分析提供了转录组分析的可行替代方案.
• MIL方法可以识别新的生物标志物,并帮助临床医生推断瘤免疫格局.
• 这种方法可以使患者分层,以改善黑色素瘤治疗策略,而无需额外的遗传测试.