细胞类型预测与邻近增强的细胞嵌入使用深度学习在血素和素染色图像

科学领域:

• 计算病理学计算病理学
• 癌症研究 癌症研究
• 机器学习在瘤学中

背景情况:

• 瘤微环境的组成对癌症的进展和治疗反应至关重要.
• 准确识别透细胞类型对于理解瘤生物学至关重要.
• 传统的细胞类型识别方法可能是劳动密集型和主观的.

研究的目的:

• 开发和验证深度学习模型,用于预测瘤微环境中的细胞类型.
• 用标准的血素和素 (H&E) 染色图像来预测细胞类型,避免需要专门的染色剂.
• 在结肠癌和乳腺癌数据集中评估模型的有效性.

主要方法:

• 开发深度学习模型,使用Stardist进行细胞细分和K-Nearest Neighbor进行邻近增强的细胞提取.
• 转导性半监督学习在乳腺癌数据上的应用,用于代模型的改进.
• 使用不同的培训和测试策略,培训和评估模型 (结肠癌的Base-7,乳腺癌的Base-4和Base-4+).

主要成果:

• 基7模型在结肠癌数据上实现了0.85准确度,使用六个邻近细胞进行了最佳预测.
• 在乳腺癌数据中,Base-4模型达到0.69的准确性,而Base-4+在验证集中达到0.93的准确性.
• 模型表明能够识别特定的癌细胞类型,包括侵入性和管道性癌细胞,并合理同意基于点位的分类.

结论:

• 深度学习模型可以准确地预测癌症中的细胞类型,仅依靠来自H&E图像的细胞形态和邻近信息.
• 这种计算方法为瘤微环境分析提供了可扩展和客观的方法.
• 这些发现支持人工智能驱动病理学的潜力,以改善癌症诊断和研究.