快速TILs-A管道用于在非小细胞肺癌中高效地估计TILs

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 机器学习在瘤学中

背景情况:

• 瘤透淋巴细胞 (TIL) 是非小细胞肺癌 (NSCLC) 的关键预后标志物.
• 手动量化TILs在血素和乙素 (H&E) 整片图像 (WSIs) 中是耗时且主观的.
• 需要自动化方法来标准化TIL评估,并提高NSCLC的预后准确性.

研究的目的:

• 开发和验证一个自动化的计算管道来量化NSCLC WSIs中的TIL.
• 与现有方法相比,评估管道的效率,预后准确性和临床实用性.
• 建立一个标准化工具,用于NSCLC个性化治疗策略.

主要方法:

• 一个端到端的自动化管道,集成补丁提取 (血素过) 和机器学习 (HoVer-Net) 进行TIL量化.
• 随机补丁采样以优化计算效率,同时保持预后完整性.
• 使用患者生存数据评估管道性能,并与CD8免疫组织化学进行比较.

主要成果:

• 管道有效地过信息补丁,减少了约70%的处理.
• 一小部分符合条件的补丁 (5%) 保持了预后准确性 (c指数 = 0.65),显著减少了计算时间.
• 自动化的TILs得分与患者的存活率有很强的相关性,超过了传统的CD8得分 (c指数=0.59).

结论:

• 开发的自动化管道为NSCLC WSIs中的TIL量化提供了一种高效和准确的方法.
• 这种计算病理学工具增强了预后能力,有可能改善NSCLC患者个性化治疗策略.
• 该管道代表了数字病理学的重大进步,为TIL评估提供了一种可重复和临床相关的方法.