肝细胞癌中的细胞图分析:预测局部复发并确定空间关系生物标志物

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 癌症系统生物学癌症系统生物学

背景情况:

• 病理学部分包含数以百万计的异质细胞,挑战传统的基于像素的分析.
• 现有的方法难以捕捉复杂的细胞相互作用和对瘤行为至关重要的空间安排.
• 准确预测肝细胞癌 (HCC) 复发对于有效的术后管理至关重要.

研究的目的:

• 开发一个先进的AI系统,用于全面的细胞细分和整体病理学部分的分类.
• 通过分析多尺度细胞相互作用来预测手术后HCC的局部复发.
• 为了确定瘤预后的新型空间关系生物标志物.

主要方法:

• 开发了一种混合图神经网络转换器系统 (HGTs) 用于分析细胞相互作用.
• 在6个队伍中,从387名HCC患者的整个病理学部分应用了HGT.
• 综合多式联络数据,包括临床信息和免疫组织化学标记,以提高预测准确度.

主要成果:

• 与最先进的方法相比,HGT在预测HCC复发方面取得了更好的表现,C指数提高了23.1%,达到0.823.
• 识别和定量验证了新的空间关系生物标志物,包括瘤-淋巴细胞和瘤-瘤相互作用频率,细胞社区分布和周围瘤纤维化.
• 证明了这些生物标志物在开发新型抗癌疗法的潜力.

结论:

• HGTs系统提供了一种强大的AI驱动方法,用于分析病理学中复杂的细胞生态系统.
• 来自细胞相互作用的空间关系生物标志物在HCC中提供了显著的预后价值.
• 这些发现为开发针对瘤微环境相互作用的新免疫疗法铺平了道路.