利用空间解析的转录组数据,从病理学成像数据中推断细胞特征

科学领域:

• 计算病理学计算病理学
• 生物信息学是一种生物信息学.
• 医学中的人工智能

背景情况:

• 数字病理学的深度学习需要大量的注释图像数据,这往往很少.
• 对于小图像补丁的有限注释妨碍了模型训练和有效性.

研究的目的:

• 开发一种创新的方法,使用对联的空间转录基因数据对数字病理图像进行注释.
• 介绍STpath,一种新的转移学习神经网络,用于预测细胞类型比例和分类瘤微环境.

主要方法:

• 利用对应的空间解析的转录组数据来生成病理图像的注释.
• 开发和评估STpath,一个转移学习神经网络模型.
• 使用三个不同的乳腺癌数据集进行绩效评估.

主要成果:

• 证明了使用空间转录学用于病理学图像注释的可行性.
• 在病理贴片中发现预训练深度学习模型特征和细胞类型身份之间的关联.
• 在有限的训练数据上,STpath显示出有希望的性能,在可变细胞类型比例和高分辨率图像方面表现出色.

结论:

• STpath是一个有价值的AI工具,用于协助病理学家进行诊断任务.
• 这种方法是可扩展的,随着越来越多的空间转录基因数据的可用性.
• 预计STpath的未来更新将提高其在病理学中的实用性.