肝细胞癌免疫微环境分析:使用计算和古典病理学的综合评估
Caner Ercan1, Salvatore Lorenzo Renne2,3, Luca Di Tommaso2,3
1Institute of Medical Genetics and Pathology, University Hospital Basel, University of Basel, Basel, Switzerland.
概括
深度学习准确地分析了肝细胞癌 (HCC) 瘤免疫微环境 (TIME). 这种计算病理学工具有助于预后和了解免疫细胞分布,针活检在预测免疫表型时显示75%的准确性.
科学领域:
- 计算病理学计算病理学
- 免疫组织化学 免疫组织化学
- 瘤学中的深度学习
背景情况:
- 肝细胞癌 (HCC) 中的瘤免疫微环境 (TIME) 具有空间的可变性和不清楚的临床相关性.
- 了解免疫细胞透对于HCC预后和治疗策略至关重要.
研究的目的:
- 开发基于深度学习 (DL) 的图像分析模型,用于对HCC中免疫细胞生物标志物的空间分析.
- 用显微镜评估HCC时间内的免疫透分布.
主要方法:
- 92个HCC切除和51个针活检的组织学分类,分为炎症,免疫排除和免疫荒漠免疫表型.
- 一个多阶段DL算法 (IHC-TIME) 的设计,用于检测和定位免疫细胞在免疫组织化学 (IHC) 染色的幻灯片上.
- 训练模型用于免疫细胞检测 (98%的准确率) 和瘤-肌瘤细分 (91%的准确率).
主要成果:
- 与免疫排除或免疫沙漠瘤患者相比,患有炎症性HCC瘤的患者表现出更好的无复发生存率.
- 针活检在表示原发性瘤的免疫类型方面达到75%的准确性.
- 基于IHC-TIME分析的免疫类型定义自动化算法实现了80%的准确性.
结论:
- 一个基于DL的工具准确地量化了HCC IHC幻灯片上的免疫细胞,使得患者预后能够进行微观的TIME分类.
- 针活检提供了有价值的见解与时间相关的预后预测,尽管有局限性.
- 这个计算病理学工具为研究HCC TIME提供了一种新的方法.
