对于单细胞表型在整个幻灯片成像中进行对比的表示学习,对无缩液体活检进行成像

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 液体活检中的瘤相关细胞是有价值的生物标志物,但由于稀有性和异质性,分析具有挑战性.
• 目前的方法依赖于主观的手动审查或工程特征,限制了临床实用性和可重复性.
• 需要强大的,自动化的方法来分析大患者队伍中循环细胞.

研究的目的:

• 从整个幻灯片图像中的所有循环细胞中开发一个深度对比学习框架,以实现无偏的特征学习.
• 为了能够在液体活检中对罕见细胞表型进行可靠的识别,分层和表征.
• 为改善临床应用液体活检分析的性能和可重复性.

主要方法:

• 开发了一个深度对比学习框架,以学习在全片免疫光显微镜图像中循环细胞的特征.
• 该框架被评估为其分类多种细胞表型,执行异常检测和实现聚类的能力.
• 进行了罕见细胞表型的自动识别和列举,包括循环瘤细胞 (CTC) 和内皮细胞.

主要成果:

• 学习的特征实现了92.64%的准确性,从液体活检分类不同的细胞表型.
• 该框架在下游任务中表现得更好,例如异常值检测和集群.
• 罕见细胞表型的自动识别在人工样本中获得了0.93的F1平均得分,在临床样本中为0.858的CTC.

结论:

• 深度对比学习框架为分析与瘤相关的细胞生物标志物提供了强大且可扩展的方法.
• 这种方法增强了液体活检在癌症检测,预后和个性化治疗方面的临床实用性.
• 自动化工作流改善了可复制性,并减少了罕见循环细胞分析的主观性.