从血素和素染色转变为Ki-67免疫组织化学数字染色图像使用深度学习:在标签指数上的实验验证

科学领域:

• 数字病理学数字病理学
• 计算机成像成像技术
• 在瘤学瘤学.

背景情况:

• 子宫内膜癌 (EC) 是女性普遍存在的恶性瘤.
• 血素和欧 (H&E) 染色是组织学的标准,但免疫组织化学 (IHC) 提供了分子细节.
• 像Ki-67这样的分子标记物的可视化对于评估瘤扩散至关重要.

研究的目的:

• 开发一种数字染色技术,从EC的H&E整个幻灯片图像中生成基-67的血-3,3'-二氨二丁 (H-DAB) IHC染色.
• 通过使用深度学习,从常规的H&E组织学中获得分子层面的洞察力.

主要方法:

• 使用色彩脱色技术,从光学密度 (OD) 值中得出染料密度图.
• 一个U-Net模型进行了端到端推断,用于数字染色生成.
• 幻灯片内和交叉案例验证 (CCV) 方案使用Ki-67标记指数 (LI) 的皮尔森相关性来评估方法性能.

主要成果:

• 数字染色方法产生了高分辨率图像,保留了组织学特征,并显示了与物理IHC染色的可靠相关性.
• 交叉案例验证 (CCV) 证明了数字和物理Ki-67 LI之间存在公平的相关性 (例如,).
• 从H&E染色OD推断IHC染色OD与基于RGB的模型相比,改善了相关性.

结论:

• 深度学习可以从H&E图像中提取分子级信息.
• 每次染色分析,特别是OD推断,提高了数字染色的概括性.
• 这种数字方法为分析EC瘤和潜在的其他癌症提供了一种新的方式.