预测瘤相关的巨细胞和免疫治疗的好处使用弱监督的对比学习在乳腺癌病理学图像图像

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 人工智能在瘤学中的应用

背景情况:

• 瘤免疫微环境 (TIME) 影响免疫疗法的疗效.
• 用于 TIME 分析的 RNA 测序是昂贵且耗时的.
• 病理图像可以推断TIME特征,但定量免疫细胞估计尚未得到充分研究.

研究的目的:

• 开发一种使用整个幻灯片图像 (WSI) 的计算方法,以推断瘤相关的巨细胞和免疫治疗的益处.
• 为临床应用建立组织形态学和细胞组成之间的联系.

主要方法:

• 在H&E染色的WSIs上集成的对比学习和弱监督的学习.
• 使用对比学习提取了级特征,并将它们汇总起来.
• 在下游任务中使用弱监督信号微调编码器.

主要成果:

• 准确预测瘤透的免疫细胞比例,特别是巨细胞.
• 成功识别出免疫亚型和潜在的免疫疗法益处.
• 在独立的乳腺癌队列和空间转录组学数据上证明了模型的有效性.

结论:

• 来自WSIs的计算病理学特征可以准确地预测免疫细胞透和免疫治疗反应.
• 该模型捕捉了超出人类视觉范围的病理特征,将组织学与细胞组成联系起来.
• 这种方法扩大了数字病理学图像对癌症治疗决策的临床实用性.