从整张幻灯片图像到生物标志物预测:计算病理学的端到端弱监督的深度学习
Omar S M El Nahhas1,2, Marko van Treeck1, Georg Wölflein3
1Else Kroener Fresenius Center for Digital Health, Medical Faculty Carl Gustav Carus, Technical University Dresden, Dresden, Germany.
Nature protocols
|September 16, 2024
概括
这项研究介绍了病理学固体瘤关联建模 (STAMP) 工作流程,这是一种深度学习方法,用于从整张幻灯片图像中预测癌症生物标志物. 在结直肠癌中,STAMP准确地识别了微卫星不稳定性 (MSI),进步了精确瘤学.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 在瘤学瘤学.
背景情况:
- 血素和乙染色全片图像 (WSIs) 对于癌症诊断至关重要.
- 深度学习方法可以从WSIs中预测生物标志物,但将组织表型与生物标志物在规模上联系起来具有挑战性.
- 精确瘤学需要可访问的方法来预测复杂的生物标志物.
研究的目的:
- 介绍一个实用的工作流程,病理学固体瘤关联建模 (STAMP),用于使用深度学习直接从WSIs预测生物标志物.
- 提供一个生物标志物不可知框架,将组织病理学图像与遗传和临床病理学表格数据集成在一起.
- 为计算病理学研究项目建立一个协作框架.
主要方法:
- STAMP的工作流包括五个阶段:问题定义,数据预处理,建模,评估和临床翻译.
- 它利用深度学习来分析WSIs,并可以整合表格数据.
- 该协议是为临床医生和工程师协作使用而设计的.
主要成果:
- 该STAMP工作流已成功应用到预测微卫星不稳定性 (MSI) 状态在结直肠癌.
- 它在识别高MSI的瘤方面表现精确.
- 全球各地的医院已经部署了一个开源代码库.
结论:
- STAMP为计算病理学中的生物标志物预测提供了一种实用且可扩展的解决方案.
- 工作流程促进了精确瘤学复杂生物标志物的民主化.
- STAMP允许高效的 (一工作日) 计算病理学工作流程设置,并具有基本的命令行知识.
