MCRANet:基于MTSL的连接区域关注网络,用于H&E染色图像中的PD-L1状态细分

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 生物标志物的分析分析.

背景情况:

• 编程死亡配体1 (PD-L1) 的免疫组织化学 (IHC) 分析对于免疫疗法选择至关重要,但成本昂贵且耗时.
• 血素-氨酸 (H&E) 染色是一种具有成本效益的,快速的替代方案,但缺乏对PD-L1.1.等生物标志物表达的特异性.

研究的目的:

• 开发一种计算方法,只使用H&E染色图像进行准确的PD-L1状态细分.
• 创建一个深度学习模型,克服PD-L1评估传统IHC和H&E染色的局限性.

主要方法:

• 开发了一个基于多任务监督学习 (MTSL) 的连接区域关注网络 (MCRANet).
• 该网络包含一个区域关注模块 (MRA) 来区分瘤与非瘤区域,以及一个连接建模 (CM) 模块来利用拓信息.
• 该模型在肺状细胞癌 (LUSC) PD-L1状态数据集上进行了训练和验证.

主要成果:

• 与最先进的方法相比,MCRANet实现了优越的细分性能.
• 该模型在LUSC PD-L1数据集上显示了79.6%的子相似系数 (DSC).
• 注意力机制提供了可解释的结果和准确的定位,提高了细分效率.

结论:

• MCRANet提供了一种有希望的,具有成本效益和高效的方法,用于在H&E染色图像中评估PD-L1状态.
• 这种方法有可能取代或补充IHC,改善免疫治疗指导的可访问性.
• 区域注意力和连接性建模的整合为生物标志物分析推进了计算病理学.