使用深度学习病理图像的肿瘤浸润淋巴细胞的

新疆白癜风微信交流群 http://nvrenjkw.com/nxzx/5719.html

0

摘要

TCGA样品的H＆E染色数字化图像仍未得到充分利用。为了强调这一资源，我们基于来自3种TCGA肿瘤类型的H＆E图像，介绍了肿瘤浸润淋巴细胞（TIL）的图谱。这些TIL图谱是使用经过训练以对图像patch进行分类的卷积神经网络通过计算染色得出的。使用标准组织病理学参数对TIL图结构模式进行分组。这些模式在源自分子测量的特定T细胞亚群中富集。TIL密度和空间结构在肿瘤类型，免疫亚型和肿瘤分子亚型之间差异性富集，这表明空间浸润状态可以反映特定的肿瘤细胞畸变状态。获得与TCGA样品丰富的基因组特征相关的空间淋巴细胞模式，证明了TCGA图像可用于洞悉肿瘤免疫的微环境。

02

介绍

尽管对人体的研究表明，慢性炎症可以促进肿瘤发生，但宿主免疫系统同样能够通过激活适应性免疫机制和先天免疫机制来控制肿瘤的生长。这种肿瘤内过程通常统称为免疫编辑，其中这种选择压力可能导致逃避免疫监视并最终导致肿瘤进展的肿瘤细胞的出现。同时，许多观察结果表明，高密度的肿瘤浸润淋巴细胞（TIL）与良好的临床结局相关，例如多种癌症类型的无病生存期较长或总体生存期（OS）改善。最近的研究进一步表明，就涉及肿瘤中心和/或浸润边缘的免疫浸润而言，肿瘤微环境的空间背景和细胞异质性的重要性也可能与癌症的预后相关。可以量化不同肿瘤区域中这种空间TIL密度的预后因素，尤其是Immunoscore，具有很高的预后价值，可以在某些情况下显著补充甚至取代标准的TNM分类和分期。鉴于这一点以及免疫疗法在当代癌症治疗中的核心作用，这些与肿瘤相关的淋巴细胞的评估在病理切片的临床评估以及这些淋巴细胞群的作用的转化研究中都变得越来越重要。TCGA泛癌数据集包括具有代表性的H＆E诊断全幻灯片图像（WSI），可对TIL进行空间量化和分析，并与通过TCGA进行的大量分子表征相关联。以前，这种丰富的成像数据库主要仅用于鉴定样本以进行TCGA分析，并由专业病理学家收集一些有限的组织病理学参数。使用数字病理学和数字化的完整切片（WSI）诊断组织图像，机器学习和深度学习方法可以创建“计算染色”。这允许对图像特征进行识别和量化，以制定超越简单密度（例如TIL的密度）的高阶关系，以探索对淋巴细胞聚集模式的定量评估，以及表征TIL与肿瘤区域之间的相互关系。我们以多种癌症的方式将其应用于TCGA样本。基于组织学H＆E图像中的特征提取，以更有限的方式探索了仅几种TCGA肿瘤的TIL含量。

03

材料和方法

图像和分子数据采集WSI图像是从TCGAGDC获得。我们的研究使用诊断图像，其中一些来自冷冻组织标本的图像用于分子估计差异的分析。图像以svs（AperioSVS文件）下载。我们使用名为OpenSlide的开源库提取最高分辨率的图像数据。在研究中分析了张诊断片，分析了3种TCGA肿瘤类型。临床和分子数据来自（

转载请注明：http://www.lmxfc.com/lbgyyw/15528.html