跨模式学习预测免疫组织化学生物标志物从血素和素染色全片图像
Amit Das1, Naofumi Tomita2, Kyle J Syme3
1Department of Computer Science, Dartmouth College, Hanover, New Hampshire.
The American journal of pathology
|September 14, 2025
概括
本研究介绍了HistoStainAlign,这是一种深度学习工具,可以从H&E图像中预测免疫组织化学 (IHC) 模式,从而降低癌症诊断的成本和时间. 通过优先考虑需要IHC染色的病例,AI框架提高了病理学工作流程的效率.
科学领域:
- 计算病理学计算病理学
- 人工智能在组织病理学中的应用.
- 数字病理学数字病理学
背景情况:
- 血素和欧 (H&E) 染色对于癌症诊断至关重要,但免疫组织化学 (IHC) 提供了特定的蛋白质洞察力.
- IHC染色是昂贵的,耗时的,需要专门的专业知识,限制了其广泛的应用.
研究的目的:
- 开发一个新的深度学习框架,HistoStainAlign,能够直接从H&E整个幻灯片图像中预测IHC染色模式.
- 通过提供具有成本效益和高效的计算替代方案来克服传统IHC染色的局限性.
主要方法:
- HistoStainAlign 集成了配对的 H&E 和 IHC 嵌入式,使用一个对比的训练策略.
- 该框架捕捉了跨模式特征,而不需要贴片级的注释或组织登记.
- 该模型在胃肠道和肺组织上进行了P53,PD-L1和Ki-67 IHC染色的验证.
主要成果:
- HistoStainAlign实现了P53的0.735的加权F1得分,PD-L1的0.830和Ki-67的0.723的加权F1得分.
- 嵌入分析证实了模型能够捕捉有意义的交叉染色关系的能力.
- 相反的学习方法表现出优异的性能,与污点模式预测的基线模型相比.
结论:
- 在病理学中,HistoStainAlign显示出作为计算预选工具的巨大潜力.
- 该框架可以通过确定从IHC染色中获益最多的情况来提高工作流的效率.
- 这种方法为提高瘤学诊断准确性和治疗规划提供了一个有希望的方向.
