利用深度学习进行免疫细胞量化和放射治疗口腔甲状腺状细胞癌的预后评估
Fanny Beltzung1, Van-Linh Le2, Ioana Molnar3
1Department of Molecular Imaging & Theragnostic Strategies (IMOST), University Clermont Auvergne, INSERM U1240, Clermont-Ferrand, France; Department of Pathology, Hôpital Haut-Lévêque, CHU de Bordeaux, Pessac, France.
概括
深度学习准确地量化了口腔支状细胞癌 (OPSCC) 瘤中的免疫细胞. 使用深度学习的基于区域的方法预测了无复发的生存率,有助于放射治疗和免疫治疗决策.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 免疫学 免疫学 免疫学
背景情况:
- 瘤微环境,特别是瘤免疫微环境 (TIME),极大地影响癌症的进展和治疗反应.
- 免疫细胞透在头部和部状细胞癌 (HNSCCs) 中会影响放射治疗 (RT) 的有效性.
- 了解HNSCC中的TIME可以指导RT与免疫治疗的结合.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于使用免疫组织化学量化口腔状细胞癌 (OPSCC) 的免疫细胞密度.
- 评估基于DL的免疫细胞量化对OPSCC患者的无复发生存的预后价值.
- 为了比较细胞计数与基于面积的量化方法的预后性能.
主要方法:
- 分析了84个治疗前OPSCC瘤活检,使用免疫组织化学检测CD3,CD8,CD20,CD163和FOXP3.3.
- 通过基于U-Net的深度学习模型对整个幻灯片图像进行数字化和分析,用于免疫细胞量化.
- 将DL管道结果与HALO图像分析平台和QuPath软件进行比较;评估细胞计数和基于面积的方法以获得预后价值.
主要成果:
- DL模型在检测所有生物标志物的染色免疫细胞方面表现出高准确性.
- 在DL管道和已建立的图像分析软件 (HALO,QuPath) 之间观察到强烈的相关性.
- 基于面积的DL量化方法显示,与细胞计数相比,无复发生存的预后值更高.
结论:
- 深度学习为OPSCC数字病理学中的免疫细胞量化提供了准确,可重复的方法.
- 通过基于面积的DL方法量化的CD3,CD8,CD20和FOXP3的高密度与改善的无复发生存率有关.
- 基于DL的TIME评估具有预测患者结果和优化OPSCC治疗策略的巨大潜力.
