人工智能驱动的瘤微环境的空间分析在肺淋巴细胞上皮癌中的肺淋巴细胞上皮癌

科学领域:

• 在瘤学瘤学.
• 免疫学 免疫学 免疫学
• 计算病理学计算病理学

背景情况:

• 淋巴细胞癌 (LEC) 是一种罕见的恶性瘤,影响各种器官,包括肺部,鼻和胸腺.
• 了解瘤免疫微环境 (TIME) 对于诊断和治疗LEC至关重要,但其空间特征仍未得到充分探索.

研究的目的:

• 研究和比较TIME的空间特征在初级肺LECs (pLECs),肺转移性鼻癌 (pmNPCs) 和胸膜LECs (tLECs) 中.
• 开发和验证一种用于瘤细分的自动化方法,以分析TIME特征.
• 评估不同LEC亚型中TIME特征的预后相关性.

主要方法:

• 对160例手术切除LEC病例 (116个PLEC,26个TLEC,18个pmNPC) 的回顾性分析.
• 使用了用血素和素 (H&E) 染色的整片图像 (WSIs) 和多重免疫光染色.
• 开发了一种半监督模型,用于自动化瘤细分,平均准确率为0.847.
• 分析了免疫细胞的空间分布,计数和相互作用模式,包括PDL1+瘤细胞和FOXP3+调节性T细胞.

主要成果:

• 在H&E WSIs上的pLEC,tLEC和pmNPC中观察到淋巴细胞的独特空间分布模式.
• 淋巴细胞计数和pLEC中的分布显示出预后相关性,较高的瘤核心计数表明更好的结果.
• PDL1+瘤细胞和FOXP3+调节性T细胞的空间布局和相互作用模式在PLEC患者的分层预后.
• 半监督模型为罕见的LEC提供了自动化和可重复的瘤细分.

结论:

• 该研究成功地区分了PLEC,tLEC和pmNPC亚型中的TIME模式.
• 使用半监督模型的自动瘤细分对于分析罕见LEC的TIME是有效的.
• PDL1+瘤细胞和FOXP3+调节性T细胞的空间相互作用是PLECs的关键预后生物标志物.