代表性学习可以在全片液体活检成像中实现强大的单细胞表型

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 液体活检为癌症管理提供了有希望的生物标志物,但在识别罕见,异质和塑性瘤相关细胞方面仍然存在挑战.
• 目前用于循环细胞的分析方法通常依赖于主观手动审查或工程特征,导致变化和偏差.

研究的目的:

• 开发一个深度对比学习框架,从循环细胞的全片免疫光显微镜图像中进行强大的特征提取.
• 为了能够准确地识别,分层和列举单个循环细胞,包括罕见的表型,以改善癌症生物标志物分析.

主要方法:

• 一个深度对比学习框架被应用到整个幻灯片免疫光显微镜图像.
• 该模型提取了用于单个循环细胞稳健识别和分层的特征.
• 对细胞表型分类,异常检测,聚类和罕见细胞类型的自动列举进行了性能评估.

主要成果:

• 学习的特征在分类多种细胞表型方面实现了92.64%的准确性.
• 罕见表型的自动识别和列举在人工样本上达到0.93的F1平均得分,在临床循环瘤细胞表型上达到0.858.
• 该框架在下游任务中表现得更好,例如异常值检测和集群.

结论:

• 深度对比学习框架为在液体活检中分析瘤相关的细胞生物标志物提供了可扩展和可重复的解决方案.
• 这种方法具有强大的潜力,可以通过准确地描述循环细胞来提高临床预后,并指导个性化癌症治疗策略.