从使用HistoTME-v2的数字组织病理学图像对瘤微环境进行可解释的分子和空间分析

科学领域:

• 计算病理学计算病理学
• 癌症研究 癌症研究
• 医学中的人工智能.

背景情况:

• 瘤微环境 (TME) 分析对癌症生物标志物发现和治疗至关重要.
• 目前的TME分析方法,如空间转录学,是昂贵而复杂的.
• 现有的AI方法通常需要广泛的手动单元注释,限制可扩展性.

研究的目的:

• 开发和验证HistoTME-v2,用于TME分析的泛癌人工智能框架.
• 为了从常规的血素和乙素 (H&E) 染色全片图像 (WSIs) 进行快速,经济高效的TME分析.
• 评估HistoTME-v2在预测细胞类型特定的转录基因特征和解决空间细胞分布方面的准确性.

主要方法:

• 将弱监督的深度学习框架HistoTME扩展到一个泛癌应用程序 (HistoTME-v2).
• 使用癌症基因组图谱 (TCGA) 和外部验证数据集对25种实体瘤类型的应用.
• 使用皮尔森相关性对转录密码签名预测准确性的评估.
• 空间分布与多重成像 (CODEX,IHC) 和空间转录学 (Visium) 的一致性评估.

主要成果:

• HistoTME-v2在预测来自H&E WSIs的细胞类型特定的转录组签名方面取得了很高的准确性.
• 观察到的皮尔森相关性中位数为0.61 (内部TCGA) 和0.53 (外部验证).
• 通过单细胞和空间转录组学数据证明了强大的空间一致性.
• 在批量和空间分析中,HistoTME-v2显著超过了基线方法.

结论:

• HistoTME-v2是一个强大的,可解释的,成本效益高的工具,用于胰腺癌TME分析.
• 该框架可以从常规的H&E幻灯片中进行高通量TME分析,克服当前技术的局限性.
• HistoTME-v2 便于将空间生物学整合到标准病理学工作流程中.