TCGA病理图像深度学习的肿瘤淋巴细胞浸润(文献)

原创

已于 2023-11-01 14:42:02 修改 · 853 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能

于 2023-11-01 11:01:24 首次发布

本文介绍了一种基于深度学习的方法，利用CNN分析TCGA肿瘤病理切片，以精确测量和理解肿瘤浸润淋巴细胞（TIL）的空间分布及其与分子特征的关联。研究还探讨了TIL的空间结构模式和其在免疫应答中的作用，通过CIBERSORT等工具进行分子估计并与病理评估对比。

Spatial Organization and Molecular Correlation of Tumor-Infiltrating Lymphocytes Using Deep Learning on Pathology Images - ScienceDirect

该文献展示了：基于13种TCGA肿瘤类型的H&E图像的肿瘤浸润淋巴细胞（TIL）的映射。

流程

方法使用两种CNN：淋巴细胞浸润分类CNN（淋巴细胞CNN）和坏死分割CNN（坏死CNN）。淋巴细胞 CNN 将输入图像的微小斑块分为有淋巴细胞浸润的斑块和没有淋巴细胞浸润的斑块。它是一个半监督的CNN，由无监督卷积自动编码器（CAE）初始化。坏死 CNN 对坏死区域进行分割，旨在消除坏死区域的假阳性，其中细胞核可能具有与淋巴细胞浸润区域相似的特征。

评估TIL空间分数

TIL的空间部分估计为在组织样本上鉴定的斑块总数中TIL阳性斑块的比例。

Spearman 相关系数和 p 值，用于比较 TIL 图谱空间估计的 TIL 分数和使用反卷积方法处理癌症基因组学数据的 TIL 分数的分子估计值。（病理空间分数与 CIBERSORT算法结果的相关性比较）

免疫浸润的局部空间结构

对病理TIL空间关系的探索

成像数据的一个独特特征是能够超越总淋巴细胞浸润负荷，评估淋巴细胞浸润模式。寻找TIL图像斑块的空间连接和连贯区域（簇）。汇总度量包括聚类数 N簇，簇NP中TIL斑块的平均数量，簇内分散WCD的平均值，以及簇空间范围CE的平均值。

由于Ball-Hall指数与近似的簇范围呈比例，这意味着，在其中一些中等浸润肿块的肿瘤类型中，形成了相对较大的空间范围的TIL簇。总之，这意味着，在某些肿瘤类型中，与其他肿瘤类型相比，TIL的局部聚集可能是一个比整体TIL浸润更显着的特征。

TIL分数生存分析

TIL空间结构模式

病理学家在肿瘤内和肿瘤周围区域对 TIL 图中的模式进行分类。相应地，病理学家将 5,202 张 TIL 图中的模式分为五类之一：①“轻快、弥漫”，表示散布在肿瘤区域至少 30% 的弥漫性浸润性 TIL（1,856 例）;②“轻快的带状”免疫应答在其外围形成与肿瘤接壤的带状边界（1,185）;③“非轻快、多灶性”，即松散散散的 TIL 存在于肿瘤面积的不到 30% 但超过 5% （1,083）;④“非轻快，局灶性”，即散布在肿瘤面积小于 5% 但大于 1% 的 TIL （874）;⑤最后，在143例TIL很少的病例中，涉及肿瘤面积的1%或更少，为“无”。