MIHIC:为肺癌免疫微环境量化提供多重IHC异位病理图像分类数据集
Ranran Wang1,2, Yusong Qiu3, Tong Wang2
1Affiliated Cancer Hospital, Dalian University of Technology, Dalian, China.
Frontiers in immunology
|February 19, 2024
概括
一个新的数据集使深度学习能够使用免疫组织化学 (IHC) 图像来量化肺癌中瘤免疫微环境 (TIME). 这种分析预测了患者的生存结果,推动了癌症研究.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物信息学是一种生物信息学.
背景情况:
- 免疫组织化学 (IHC) 对于癌症诊断至关重要,使组织样本中的蛋白质点可视化.
- 深度学习模型可以在数字化IHC幻灯片中量化瘤免疫微环境 (TIME).
- 缺乏公开可用的IHC数据集阻碍了深入的时间分析.
研究的目的:
- 引入多重IHC组织病理图像分类 (MIHIC) 数据集,用于肺癌的TIME分析.
- 为了对深度学习模型 (CNN和变压器) 进行基准测试,用于对IHC染色组织学图像进行分类.
- 量化TIME变量并评估它们对患者生存的预后价值.
主要方法:
- 创建MIHIC数据集,包含309,698个多重IHC图像补丁,由病理学家在七种组织类型中手动注释.
- 在图像分类任务中对卷积神经网络 (CNN) 和变压器模型进行基准测试.
- 使用表现最好的模型对TIME变量进行量化,并与患者生存结果相关联.
主要成果:
- 与CNN相比,变压器模型在组织学图像分类中表现略高,达到0.811.11的最大精度.
- 量化TIME变量,特别是免疫细胞超过肌和瘤超过组织核心,证明了预后价值.
- MIHIC数据集是第一个公开可用的肺癌IHC数据集,拥有12个染色和多病理学家注释.
结论:
- 该MIHIC数据集促进了对新的TIME量化技术的研究和了解免疫-瘤相互作用的研究.
- 深度学习模型,特别是变压器,在分析肺癌复杂的IHC数据方面表现有前途.
- 来自IHC图像的自动TIME量化可以预测患者的存活率,提供有价值的临床见解.
