本文主要是介绍临床医生与人工智能识别三级淋巴结成熟状态的研究对比｜文献速递·24-08-24，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
小罗碎碎念
这期推文的主题是三级淋巴结，主要解决一个问题——临床上如何识别三级淋巴结&人工智能如何应用于三级淋巴结的识别。这两篇文献来源于临床和工科两位不同的老师，是在与他们交流的过程中推荐的，在这里向他们表示感谢！！
第一篇文献是教你怎么肉眼识别三级淋巴结，第二篇文章是介绍一种自动评估TLS的机器学习模型，并且这两篇文献完美匹配，讲的都是同一个东西——三级淋巴结的成熟状态对肿瘤免疫反应的影响，同时还涉及到了复发风险的预测与免疫治疗！！
这期推文只是简单介绍这两篇文献，如果你对某篇文章感兴趣，可以去看我后续对它们的详细分析。
一、肿瘤内三级淋巴结构对肝细胞癌早期复发风险的预测价值
一作&通讯
| 角色 | 姓名 | 单位（中文） | 单位（英文） |
|---|---|---|---|
| 第一作者 | Julien Calderaro | 巴黎东大学附属医院病理学系 | Département de Pathologie, Assistance Publique Hôpitaux de Paris, Groupe Hospitalier Henri Mondor, Créteil, France |
| 通讯作者1 | Wolf Herman Fridman | 法国国家健康与医学研究院（INSERM）UMR_S1138研究中心 | INSERM UMR_S1138, Centre de Recherche des Cordeliers, Equipe cancer et immunité anti-tumorale, 15 rue de l’Ecole de Médecine, F75006 Paris, France |
| 通讯作者2 | Catherine Sautès-Fridman | 法国国家健康与医学研究院（INSERM）UMR_S1138研究中心 | INSERM UMR_S1138, Centre de Recherche des Cordeliers, Equipe cancer et immunité anti-tumorale, 15 rue de l’Ecole de Médecine, F75006 Paris, France |
文献概述
这篇文章是关于肝细胞癌（HCC）的研究，主要探讨了肿瘤内三级淋巴结构（Tertiary Lymphoid Structures, TLS）与HCC早期复发风险之间的关系。
研究指出，肿瘤内的TLS与较低的HCC早期复发风险有关，并且这种联系与肝病的成因无关。研究结果表明，TLS可能反映了正在进行的有效抗肿瘤免疫反应。
研究包括了273名通过外科手术切除HCC的患者，并通过对这些患者的病理学复查来确定肿瘤内外TLS的预后意义。研究发现，47%的肿瘤中存在TLS，并且这些TLS与早期复发风险降低有关。特别是，具有成熟TLS（如初级或次级滤泡）的肿瘤与只有淋巴细胞聚集的肿瘤相比，复发风险更低。
此外，研究还通过基因表达分析，在一个公共数据集（LCI队列）中验证了与肿瘤内TLS存在相关的基因表达特征，这一特征也与早期复发风险降低独立相关。研究没有发现非肿瘤性肝脏中TLS的密度与早期或晚期复发之间存在联系。
文章强调了肿瘤微环境中免疫细胞的作用，尤其是在HCC发展和进展中的作用。鉴于免疫检查点抑制剂在多种人类恶性肿瘤中的成功应用，研究肿瘤内TLS与抗肿瘤免疫反应之间的关系变得尤为重要。研究结果支持了肿瘤内TLS可能有助于有效抗肿瘤免疫反应的观点，并可能对免疫治疗策略的敏感性有所影响。
重点关注
图1展示了肝细胞癌肿瘤内三级淋巴结构的组织学特征，具体如下：
- (A) 淋巴细胞聚集（Aggregates）：这是模糊、界限不明显的淋巴细胞团块，用黑色箭头在HES染色（一种常用的组织染色方法）下100倍放大观察到。
- (B) 初级滤泡（Primary follicles）：由密集的、圆形或椭圆形的淋巴细胞团块组成，同样使用黑色箭头在HES染色下100倍放大观察到。
- © 次级滤泡（Secondary follicles）：以一个生发中心为中心，黑色箭头指示，同样在HES染色下100倍放大观察到。
- (D) 高倍显微镜下观察次级滤泡：显示一个浅色区域（生发中心，用红色箭头指示），周围有一层密集的淋巴细胞（称为外套区或mantle zone），在HES染色下300倍放大观察到。
这些不同的淋巴结构表明了肿瘤微环境中的免疫细胞组成和组织形态，它们在肿瘤免疫反应中可能扮演不同的角色。
二、基于组织病理图像的机器学习模型预测胃肠道癌症患者预后
一作&通讯
| 角色 | 姓名 | 单位（中文） |
|---|---|---|
| 第一作者 | Zhe Li | 西北工业大学计算机科学与技术学院 |
| 第一作者 | Yuming Jiang | 斯坦福大学医学院放射肿瘤科 |
| 第一作者 | Bailiang Li | 斯坦福大学医学院放射肿瘤科 |
| 通讯作者 | Ruijiang Li | 斯坦福大学医学院放射肿瘤科 |
文献概述
这篇文章开发并验证了一个基于常规组织病理学图像的机器学习模型，用于自动化检测和定量评估胃肠道癌症中的三级淋巴结构，并发现其与患者生存率的提高独立相关。
研究的重要性在于三级淋巴结构（Tertiary Lymphoid Structures, TLS）与癌症治疗的有利预后和对免疫疗法的改善反应有关。然而，目前评估TLS的方法受到观察者间差异、专业成像技术复杂性高和成本高的限制。
研究的目标是开发一种基于常规组织病理学图像的自动化和定量评估TLS的机器学习模型。这项多中心、国际性的诊断/预后研究涉及了对自动化检测、计数和分类TLS的模型的开发和验证，以及提出了一种TLS的定量评分系统，并研究了其与六种胃肠道癌症患者生存的关联。数据分析在2021年6月至2022年3月进行。
研究结果显示，机器学习模型在检测和将TLS分类为三种成熟状态方面达到了高精度（TLS1：97.7%；TLS2：96.3%；TLS3：95.7%）。TLS在不同癌症中的分布从40.0%的食管癌到75.6%的胃癌不等。在六种癌症类型中，根据TLS评分高低和是否存在TLS，患者被分为三个风险组，并比较了各组之间的生存结果。TLS评分在调整了临床病理变量和肿瘤浸润性淋巴细胞后，仍然是与生存相关的独立预后因素。
研究的结论是，开发的可解释机器学习模型可能允许在常规组织切片上自动化和准确地检测TLS。这一模型可补充癌症分期系统，在胃肠道癌症的风险分层中发挥作用。
重点关注
Figure 1 展示了一个用于自动分类三级淋巴结构（Tertiary Lymphoid Structures, TLSs）的决策树模型。
这个模型基于TLSs的三个图像特征：面积（Area）、圆度（Roundness）和淋巴细胞密度的偏斜度（Skewness）。这些特征被用来将TLSs分为三种成熟状态：
- TLS1：通常是较小的淋巴细胞聚集，可能不包含生发中心。
- TLS2：是较大的淋巴组织聚集，可能包含初级滤泡。
- TLS3：包含生发中心的成熟次级滤泡，通常与更强的免疫反应相关。
决策树模型的工作原理如下：
- 首先，根据面积是否小于或等于0.10 mm²对TLSs进行分类。
- 如果面积较小，接下来会检查淋巴细胞密度的偏斜度是否小于或等于0.04。
- 如果偏斜度较小，且圆度小于或等于0.50，则分类为TLS1。
- 如果偏斜度较大，或圆度较大，则需要进一步检查。
- 如果面积较大，接下来会检查圆度是否小于或等于0.94。
- 如果圆度较小，且面积小于或等于0.41 mm²，则分类为TLS2。
- 如果圆度较大，或者面积较大，则进一步检查圆度是否小于或等于0.50。
- 如果是，则分类为TLS3。
这个决策树模型提供了一个直观和可解释的方法来根据TLSs的形态特征进行分类。在实际应用中，通过将H&E染色的组织切片图像输入模型，可以自动检测和分类TLSs，从而为癌症患者的免疫状态和预后提供重要信息。
这篇关于临床医生与人工智能识别三级淋巴结成熟状态的研究对比｜文献速递·24-08-24的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
