通过对多重成像数据的无分割表示学习来表征瘤异质性的表征

科学领域:

• 计算病理学计算病理学
• 瘤微环境分析分析
• 发现生物标志物的发现.

背景情况:

• 高维复合成像提供了关于瘤组织空间组织的详细见解.
• 鉴定瘤微环境异质性的特征是具有挑战性的,因为数据的规模和复杂性.

研究的目的:

• 利用自我监督的表示学习来区分瘤微环境形态.
• 使用成像质细胞计数据精确地描述不同的微环境特征.

主要方法:

• 在高维多复杂质细胞计图像上使用自我监督的蒙面图像建模来训练视觉变换器.
• 采用无细分,像素级的方法来保留形态和生物标志物分布信息.
• 将模型应用于肺瘤数据集.

主要成果:

• 成功区分瘤微环境中的形态差异.
• 在瘤微环境中识别和验证了特定的单细胞特征.
• 确定的单细胞特征与预后不佳有关.

结论:

• 自主监督的表示学习对于分析复杂的成像质细胞计数据是有效的.
• 开发的视觉变压器准确地描述了瘤微环境的异质性.
• 单细胞特征代表了肺癌中潜在的预后生物标志物.