罗西:人工智能生成多重免疫光染色从组织病理学图像

科学领域:

• 计算病理学计算病理学
• 发现生物标志物的发现.
• 医学中的人工智能

背景情况:

• 血素和乙素 (H&E) 染色是一种基本的组织病理学技术.
• 由于H&E缺乏直接的分子标记信息,因此需要进行进一步的测试.
• 识别特定的细胞类型和微环境对于了解疾病至关重要.

研究的目的:

• 介绍ROSIE,这是一个深度学习框架,用于从H&E图像中归因蛋白质表达和定位.
• 为了使 in silico多重复合免疫光 (mIF) 分析.
• 提高常规组织病理学的诊断和预后能力.

主要方法:

• 在1300多个对联的H&E和mIF样本上训练一个深度学习模型,跨越各种组织和疾病.
• 使用超过1600万个细胞的数据集,用于稳健的模型开发.
• 在持有的H&E样本上验证归算准确性.

主要成果:

• ROSIE精确地预测了来自H&E图像的众多蛋白质的表达和定位.
• 在 silico mIF有效区分细胞表型,包括淋巴细胞 (B细胞,T细胞).
• 该框架能够稳定地识别层状,上皮微环境和瘤透淋巴细胞 (TILs).

结论:

• 罗西弥合了H&E形态学和分子信息之间的差距.
• 计算方法有助于理解瘤-免疫相互作用和癌症进展.
• 这种人工智能驱动的工具可以为新的治疗策略提供信息,并改善癌症诊断.