深度细胞形态学识别了红细胞倾斜和单细胞形态学,以预测CML患者的TKI敏感性
Katariina Luukkainen1,2,3, Mikko Purhonen1,2,3, Mikael Tatun1,2,3
1Hematoscope Lab Comprehensive Cancer Center, Helsinki University Hospital Helsinki Finland.
HemaSphere
|February 16, 2026
概括
对骨髓幻灯片的深度学习分析揭示了预测慢性髓性白血病 (CML) 治疗反应的细胞形态标记. 这种方法改善了个性化治疗的风险分层.
科学领域:
- 血液学 血液学 血液学
- 计算病理学计算病理学
- 在瘤学瘤学.
背景情况:
- 慢性髓性白血病 (CML) 骨髓的细胞组成尚未完全理解.
- 确定预测治疗反应的因素对于管理CML至关重要.
研究的目的:
- 在骨髓中识别细胞形态学标记,以预测CML患者对氨酸激酶抑制剂 (TKI) 的主要分子反应.
- 开发和验证一个整合这些标记者的模型,以改善风险分层.
主要方法:
- 基于深度学习的图像分析,对来自598名CML患者的1548个骨髓吸附片进行了分析.
- 识别和验证与TKI反应相关的细胞形态特征.
- 开发一种形态临床模型,将图像和临床数据结合起来.
主要成果:
- 红色素前体丰富,单细胞核分泌和较低的外围白细胞数量与更好的TKI反应有关.
- 与现有分数 (AUROC 0.53-0.61) 相比,开发的形态临床模型显示出优异的预测性能 (AUROC 0.76).
- 接受第二代TKIs的低风险患者的治疗结果与接受意马替尼的有利风险患者的治疗结果相似.
结论:
- 骨髓细胞形态学在CML中具有显著的预后价值.
- 整合细胞形态特征可以完善风险分层和个性化前线CML治疗.
- 这种方法为预测CML治疗结果提供了更精确的方法.
更多相关视频
12:05Database-guided Flow-cytometry for Evaluation of Bone Marrow Myeloid Cell Maturation
Published on: November 3, 2018
12.4K
09:44Flow Cytometric Analysis of Mitochondrial Reactive Oxygen Species in Murine Hematopoietic Stem and Progenitor Cells and MLL-AF9 Driven Leukemia
Published on: September 5, 2019
7.9K
