加快基因病理学工作流程,使用基于生成性AI的虚拟多重化瘤配置文件

科学领域:

• 计算生物学是一种计算生物学.
• 数字病理学数字病理学
• 医学中的人工智能

背景情况:

• 瘤的空间异质性对于癌症的开始和进展至关重要.
• 当前的组织病理学依赖于耗时,组织密集的连续染色,导致图像不对齐.
• 需要有效的方法来同时分析多个蛋白质标记物.

研究的目的:

• 介绍VirtualMultiplexer,这是一个人工智能工具包,用于从单个H&E图像中合成多重免疫组织化学 (mIHC) 图像.
• 证明工具包能够捕获生物相关的染色模式,而无需序列切割或注册.
• 验证人工智能生成的mIHC数据在预测癌症终点方面的临床实用性.

主要方法:

• 开发了一个生成AI模型VirtualMultiplexer,用于从H&E图像中合成mIHC图像用于标记器 (AR,NKX3.1,CD44,CD146,p53,ERG).
• 从质量和数量上评估图像质量,将生成的图像与真实mIHC进行比较.
• 在没有微调的情况下,通过组织尺度和患者队列验证的模型可转移性.
• 在合成的mIHC数据上训练了一个图形变压器模型,用于临床终点预测.

主要成果:

• 虚拟Multiplexer快速生成高质量,强大和精确的虚拟mIHC数据集,无法与真实数据集区分.
• 人工智能模型成功地跨越不同的组织尺度和患者队伍,而无需重新培训.
• 人工智能生成的mIHC数据在多种癌症类型的下游任务中显著提高了临床预测准确度.
• 使用空间蛋白分布的多重学习提高了预测性能.

结论:

• 虚拟多重复器提供了一个强大的AI驱动的解决方案,以加速组织病理学工作流程和癌症生物学研究.
• 人工智能辅助多重瘤成像提供高质量的数据,用于强大的分析和临床预测.
• 这种方法克服了传统方法的局限性,可以更深入地了解瘤异质性和进展.