相关实验视频
Updated: Jun 30, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
6.9K
在血素-氨酸中对三级淋巴体结构的深度学习可以预测癌症预后和免疫治疗反应
Ziqiang Chen1,2, Xiaobing Wang3, Zelin Jin1,2
1MOE Key Laboratory of Metabolism and Molecular Medicine, Department of Biochemistry and Molecular Biology, School of Basic Medical Sciences and Shanghai Xuhui Central Hospital, Fudan University, Shanghai, China.
NPJ precision oncology
|March 23, 2024
概括
自动化的深度学习模型现在可以量化癌症中的三级淋巴体结构 (TLS),改善免疫治疗反应预测和患者预后. 这种方法通过结合TLS比率来改善生存分析,增强了传统的分期.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 免疫学 免疫学 免疫学
背景情况:
- 三级淋巴体结构 (TLSs) 与更好的免疫疗法结果和癌症预后有关.
- 通过多重免疫组织化学 (mIHC) 量化TLS是耗时的,阻碍了临床使用.
研究的目的:
- 开发一个深度学习模型,用于自动化的TLS细分和量化.
- 评估TLS量化在预测癌症预后和免疫治疗反应方面的临床实用性.
主要方法:
- 在匹配的mIHC和H&E全幻灯片图像 (WSIs) 上训练了一个深度学习模型.
- 模型的性能是使用Dice系数和交叉与联合 (IoU) 进行评估的.
- 在TCGA数据中,TLS比率 (TLS面积/总组织面积) 与免疫标记物和存活率相关.
主要成果:
- 该模型在TLS细分中实现了高精度 (Dice:0.91内部,0.866外部; IoU:0.819内部,0.787外部).
- 在16种瘤类型中,TLS比率与B淋巴细胞水平和CXCL13表达相关.
- 当与10/15 TCGA瘤类型的TNM分期相结合时,TLS比率改善了整体生存的预后模型.
- 较高的TLS比率预测了在未经治疗的瘤样本中产生积极的免疫治疗反应.
结论:
- 深度学习为TLS细分和量化提供了一种自动化,可重复的方法.
- TLS量化是预测免疫治疗反应和癌症预后的有价值生物标志物.
- 这种方法可以帮助临床决策和个性化癌症治疗.
