深度学习框架用于分类全幻灯片多重复合免疫光图像,以预测黑色素瘤患者的免疫治疗反应

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物标志物发现发现

背景情况:

• 免疫疗法是黑色素瘤的关键治疗方法,但患者的反应有很大差异.
• 预测反应对于个性化医学至关重要,但目前的方法缺乏分子洞察力.
• 整片复合免疫光学 (mIF) 提供了详细的组织分析,但也带来了计算方面的挑战.

研究的目的:

• 开发一种新的深度学习框架,用于对全幻灯片mIF图像进行分类.
• 用先进的图像分析来预测黑色素瘤患者的免疫治疗反应.
• 通过基于组织的生物标志物来提高治疗反应预测的准确性.

主要方法:

• 引入了多实例学习 (COMIL) 的道优化,这是一个深度学习框架.
• 开发了一个特征提取方法,在mIF图像中建模通道间的关系.
• 在幻灯片和实例层面实施了优化的多实例学习 (MIL) 框架.

主要成果:

• COMIL显著改善了mIF图像的分类性能.
• 在内部测试组中达到28%的AUC大幅增加,在外部测试组中达到20%.
• 在预测免疫治疗反应方面表现优于基线方法.

结论:

• 该COMIL框架有效地分析复杂的mIF数据,用于预测黑色素瘤免疫治疗反应.
• 建模道间的关系和使用MIL增强了整个幻灯片的图像分析.
• 这种方法在推进个性化黑色素瘤治疗策略方面具有重大潜力.