基于深度学习的瘤和免疫细胞病理图像的空间分析预测MIBC预后

科学领域:

• 癌症学
• 计算病理学
• 免疫学

背景情况:

• 肌肉侵入性膀癌 (MIBC) 是一种具有不良预后的侵袭性恶性瘤.
• 确定可靠的预后生物标志物对于改善患者的结果至关重要.

研究的目的:

• 研究淋巴细胞总量的空间分布与MIBC预后之间的相关性.
• 开发和验证用于全幻灯片图像 (WSI) 自动化分析的深度学习模型.

主要方法:

• 从TCGA和HBlaU079Su01微阵列数据集收集的WSIs和临床数据.
• 开发了一个卷积神经网络 (CNN) 管道,用于瘤和淋巴细胞区域的自动细分和分类.
• 评估了12个空间指标并进行了多态分析,以探索与临床因素和免疫微环境的关系.

主要成果:

• 在识别瘤细胞 (AUC=0.944) 和淋巴结合物 (AUC=0.934) 方面,CNN模型的准确性很高.
• "淋巴_内部%"指标显示出显著的预后价值,并在独立的队列中得到验证.
• 多组学分析显示"淋巴_内部%"与抗瘤免疫和亡途径之间存在正相关性.

结论:

• "淋巴_内部%"是预测MIBC预后的一个有希望的生物标志物.
• 这项研究引入了一种基于深度学习的新方法,用于使用淋巴细胞聚合物的空间模式来发现预后生物标志物.