在3D病理学数据集中通过生成性免疫标记检测前列腺癌
Robert B Serafin1, Jennifer Salguero Lopez2, Suet Chow3
1Department of Mechanical Engineering, University of Washington, Seattle, WA 98195; Section of Hematology and Oncology, Department of Medicine, University of Chicago, Chicago, IL, 60615.
概括
我们开发了SIGHT,一个3D计算管道,在3D病理图像中自动划分癌症和良性前列腺. 该工具通过分析3D微型架构特征来改善前列腺癌风险分层.
科学领域:
- 病理学 病理学 病理学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 非破坏性3D病理学能够对临床样本进行体积分析,补充标准组织学.
- 以前的前列腺癌风险分层的3D病理学研究使用了手动注释,缺乏细粒度腺体划分.
- 精确区分癌症和良性腺体对于精确的风险分层至关重要.
研究的目的:
- 在3D病理学数据集中自动化和增强良性和前列腺癌丰富区域的划分.
- 开发一个3D计算管道,以改善前列腺癌风险分层.
- 根据专家的注释来验证开发的管道的准确性.
主要方法:
- 开发了一个名为合成免疫标记用于瘤生成热图 (SIGHT) 的3D计算管道.
- 利用基于深度学习的3D图像翻译模型,监督将H&E模拟数据转换为免疫光数据集.
- SIGHT 通过合成标记细胞激素标记物,用于生成癌症丰富区域的 3D 热图.
主要成果:
- 在对专家注释的验证中,SIGHT 平均 F1 评分为 0.88,相当于病理学家间的协议 (F1 评分为 0.90).
- 使用SIGHT识别特征的初步机器分类器显示,复发风险的显著危险比为3.57.
- 与所有组织区域的分析相比,SIGHT识别区域的体积腺体分析显著改善了前列腺癌风险分层.
结论:
- 在3D病理学中,SIGHT有效地自动化了癌症和良性前列腺的划分,提高了准确性.
- 该管道通过精确分析3D组形特征来促进改善前列腺癌风险分层.
- 在利用3D病理学进行个性化癌症诊断和预后方面,SIGHT代表了重大进展.
更多相关视频
08:05Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
1.3K
08:40Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
Published on: April 8, 2016
13.5K
