一个全视分段数据集和深度学习方法,用于解释瘤透淋巴细胞的得分

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 癌症研究 癌症研究

背景情况:

• 瘤透淋巴细胞 (TIL) 对乳腺癌的预后至关重要,但视觉评估是主观的.
• 现有的计算方法缺乏用于关节组织和细胞分析的全面数据集,这阻碍了可重复性.
• 目前用于TIL评估的深度学习模型通常是专门的,需要多种工具和复杂的集成.

研究的目的:

• 开发一个开放的访问,区域和单元级注释数据集 (PanopTILs) 用于TILs评估.
• 创建一个可解释的深度学习模型 (MuTILs) 进行准确和可重复的TILs评估,与临床指南保持一致.
• 为了提高TILs评估在乳腺癌的预后价值.

主要方法:

• 创建了PanopTILs,这是一个数据集,包含来自151名患者的814,886个核,使全光学细分成为可能.
• 开发MuTILs,一个概念瓶神经网络,用于多分辨率TILs的评估.
• 严格的内部-外部交叉验证来评估MuTIL的性能.

主要成果:

• MuTILs在淋巴细胞检测方面获得了0.93的AUROC,而在瘤相关的瘤细分方面获得了0.81的DICE系数.
• 计算TILs得分与病理学家视觉得分密切相关 (斯皮尔曼R = 0.58-0.61).
• 与视觉得分相比,计算TILs得分显示出更高的预后价值,独立于临床因素.

结论:

• PanopTILs数据集和MuTILs模型为可重复的TILs评估提供了一个强大的解决方案.
• 这种方法有助于详细地绘制乳腺瘤微环境,有助于临床决策.
• 开发的计算方法提高了乳腺癌患者的预后准确度.