使用深度学习的基于组织病理的蛋白质复合生成

科学领域:

• 计算生物学
• 病理学
• 医学中的人工智能

背景情况:

• 多重蛋白质成像对于理解瘤微环境相互作用至关重要,但在成本,时间和组织可访问性方面面临限制.
• 标准的血素和素 (H&E) 组织病理图像广泛存在,但缺乏详细的蛋白质信息.

研究的目的:

• 开发一个深度学习框架,HistoPlexer,从标准的H&E图像生成空间分辨率的蛋白质复合物.
• 使瘤微环境的成本和时间高效的表征能够推进精确瘤学.

主要方法:

• HistoPlexer使用具有自定义损失功能的条件生成对抗网络架构.
• 该框架共同预测多个瘤和免疫标记,确保像素和嵌入级别的相似性,同时最大限度地减少切片对切片的变化.
• 验证包括对转移性黑色素瘤样本的专家评估和对各种公开可用的癌症数据集的比较.

主要成果:

• 由HistoPlexer生成的蛋白质地图与实验衍生地图非常相似,并保留了关键的生物关系,包括蛋白质共同定位模式.
• 预测的免疫透模式使瘤能够准确地分为不同的免疫亚型.
• 与单独使用H&E特征相比,整合HistoPlexer衍生特征改善了生存预测和免疫亚型分类模型.
• 该方法在各种癌症类型和成像条件中显示出强度和优于基线方法.

结论:

• HistoPlexer提供了一种强大,高效的方法,用于从常规H&E图像中生成全片蛋白质复合.
• 这种方法显著提高了瘤微环境的特征,为精确瘤学提供了有价值的工具.
• 该框架能够对瘤进行分层并改善预测模型的性能,这突显了其影响临床决策的潜力.