在异酸脱酶野生型质母细胞瘤中量化3D空间采样
Viva Voong1, Sol Beccari1, Elaheh Hashemi1
1Department of Neurological Surgery, University of California San Francisco (UCSF), San Francisco, CA, United States.
Journal of neuropathology and experimental neurology
|September 3, 2025
概括
数字病理学和机器学习可以改善神经病理学. 然而,在单片上训练的脑瘤模型错过了关键的瘤内异质性,影响了准确性. 结合多个样本是强大的诊断模型的关键.
科学领域:
- 神经病理学
- 数字病理学
- 机器学习
背景情况:
- 目前的大脑瘤的诊断模型依赖于单一的H&E幻灯片,忽视了瘤内异质性.
- 扩散性质瘤在患者中表现出显著的表观遗传和转录变异性.
- 这种异质性对诊断模型开发的影响尚不清楚.
研究的目的:
- 量化评估质母细胞瘤 (GBM) 的形态内异质性.
- 研究GBM的形态变化和分子变化之间的关系.
- 为开发更准确的神经病理诊断模型提供信息.
主要方法:
- 采集了10名异酸脱酶野生型GBM患者的92个不同的组织样本.
- 从整片H&E图像中量化细胞密度,细胞核面积和细胞核圆度.
- 进行瘤和样本级突变分析.
主要成果:
- 患者之间和个体瘤内都观察到显著的形态变化 (细胞密度,细胞核面积,圆形性).
- 瘤蛋白53 (TP53) 的突变与更大的细胞核面积和减少细胞核圆性相关.
- 形态特征与区域瘤位置没有关联.
结论:
- 内形态异质性是质母细胞瘤的一个重要因素.
- TP53突变可能会影响可观察到的形态特征.
- 未来基于H&E的诊断和预后模型需要培训数据集,其中包括每个患者的多个空间不同的样本,以解释异质性.
更多相关视频
09:09Laser Capture Microdissection of Glioma Subregions for Spatial and Molecular Characterization of Intratumoral Heterogeneity, Oncostreams, and Invasion
Published on: April 12, 2020
7.0K
09:17Digital Spatial Profiling for Characterization of the Microenvironment in Adult-Type Diffusely Infiltrating Glioma
Published on: September 13, 2022
2.4K
