虚拟多重免疫光识别了淋巴细胞子集,可以预测对新辅助疗法的反应

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 发现生物标志物的发现.

背景情况:

• 血素和欧 (H&E) 染色是一种标准的病理学技术,但缺乏细胞特异性.
• 多复合免疫光 (mIF) 提供了空间免疫洞察力,但对于临床使用来说是昂贵和复杂的.
• 需要新的方法来从常规的H&E组织学中提取免疫信息.

研究的目的:

• 开发和验证一个深度学习工具,用于将H&E图像转换为合成mIF图像.
• 为了保存免疫细胞信息,预测乳腺癌治疗反应.
• 创建一个具有成本效益和可扩展的替代mIF.

主要方法:

• 开发了一个新的管道,mSIGHT,集成一个注册网络来对齐H&E和mIF图像.
• 该管道在图像翻译方面表现优于标准的Pix2Pix和CycleGAN模型.
• 用像素级和生物指标评估生成的合成mIF图像,包括细胞密度和近距离.

主要成果:

• mSIGHT成功生成了合成的mIF图像,保存了免疫细胞分布和近距离指标.
• 在一组218例乳腺癌病例中,预测的CD8+T细胞密度与对新辅助化疗的完全反应有显著的相关性.
• 这种关联独立于已确定的预后因素.

结论:

• mSIGHT管道提供了一种可扩展和负担得起的方法,可以从H&E幻灯片中生成虚拟的mIF图像.
• 可以导出可解释的免疫生物标志物,有助于新辅助疗法的个性化.
• mSIGHT有可能提高乳腺癌的治疗选择和监测.