癌症相关的淋巴结合体在组织学图像:手动和基于深度学习的量化方法
Karina Silina1, Francesco Ciompi2
1Institute of Pharmaceutical Sciences, Department of Chemistry and Applied Biosciences, Swiss Federal Institute of Technology (ETHZ), Zurich, Switzerland. karina.silina@pharma.ethz.ch.
Methods in molecular biology (Clifton, N.J.)
|November 11, 2024
概括
在癌症组织学图像中量化淋巴结合物,包括具有生殖中心的三级淋巴结合结构 (TLS),可以帮助生物标志物发展. 一个新的深度学习算法HookNet-TLS提供了自动化和客观的分析,以改善癌症诊断.
科学领域:
- 病理学 病理学 病理学
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 在癌症组织学中具有生殖中心的三级淋巴体结构 (TLS) 是有希望的预后和预测生物标志物.
- 这些结构的手动量化是主观和可变的.
- 需要自动化分析来进行客观和可重复的评估.
研究的目的:
- 在常规病理学中提供识别淋巴结合物的建议.
- 介绍和指导使用HookNet-TLS,用于检测淋巴结合物和生殖中心的深度学习算法.
- 为了使各种癌症类型的淋巴结合物的自动和客观量化.
主要方法:
- 开发HookNet-TLS,这是一种用于检测淋巴结合物和生殖中心的深度学习算法.
- 使用手动注释图像用于培训和实施HookNet-TLS的指导方针.
- 适用于常规的血素和素染色组织部分.
主要成果:
- HookNet-TLS可以自动检测淋巴结合物和生殖中心.
- 该算法克服了手动图像分析的局限性.
- 为各种癌症类型提供客观量化.
结论:
- 使用HookNet-TLS对淋巴结合物的自动定量是可行的和客观的.
- 这种方法可以增强用于癌症预后和预测的组织生物标志物的开发.
- 在常规病理学工作流程中促进可重现的分析.
