ROSIE:人工智能生成的多重免疫光染色从组织病理图像的染色

科学领域:

• 计算病理学计算病理学
• 生物医学成像分析分析
• 医学中的人工智能.

背景情况:

• 血素和欧 (H&E) 染色是一种标准的组织病理学技术,但缺乏分子特异性.
• 评估特定的分子标记通常需要额外的,往往昂贵的实验方法.
• 需要计算工具来从常规的H&E图像中提取更深层次的分子洞察力.

研究的目的:

• 开发一个深度学习框架 (ROSIE) 来从H&E图像中计算赋值蛋白质表达和定位.
• 为了创建一个in silico多重免疫光 (mIF) 染色方法.
• 增强基于H&E的癌症研究组织病理学的分析能力.

主要方法:

• 在超过1000个配对的H&E和20种组织类型和疾病条件的多重免疫光 (mIF) 样本上训练了一种深度学习模型.
• 数据集包括超过1600万个单元,使强大的模型训练成为可能.
• 在持有的H&E样本上验证了in silico mIF预测.

主要成果:

• ROSIE精确地预测了来自H&E图像的数十种蛋白质的表达和定位.
• 预测的生物标志物有效地识别细胞表型,包括区分淋巴细胞 (B细胞,T细胞) 不仅在H&E中显而易见.
• 该框架能够稳定地识别层状,上皮微环境和瘤透淋巴细胞 (TILs).

结论:

• 罗斯 (ROSIE) 弥合了标准的H&E染色和分子标记分析之间的差距.
• 计算式mIF方法改善了细胞表型识别和瘤微环境的表征.
• 这项技术有可能通过揭示关键的瘤免疫相互作用来为癌症研究和治疗策略提供信息.