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

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

image-20240824093122951


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1Wolf 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2Catherine 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:

image-20240824093802027

  • (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

image-20240824093229963


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。

image-20240824094015465

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:

  1. TLS1:通常是较小的淋巴细胞聚集,可能不包含生发中心。
  2. TLS2:是较大的淋巴组织聚集,可能包含初级滤泡。
  3. 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!



http://www.chinasem.cn/article/1102256

相关文章

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

hdu1565(状态压缩)

本人第一道ac的状态压缩dp,这题的数据非常水,很容易过 题意:在n*n的矩阵中选数字使得不存在任意两个数字相邻,求最大值 解题思路: 一、因为在1<<20中有很多状态是无效的,所以第一步是选择有效状态,存到cnt[]数组中 二、dp[i][j]表示到第i行的状态cnt[j]所能得到的最大值,状态转移方程dp[i][j] = max(dp[i][j],dp[i-1][k]) ,其中k满足c

阿里开源语音识别SenseVoiceWindows环境部署

SenseVoice介绍 SenseVoice 专注于高精度多语言语音识别、情感辨识和音频事件检测多语言识别: 采用超过 40 万小时数据训练,支持超过 50 种语言,识别效果上优于 Whisper 模型。富文本识别:具备优秀的情感识别,能够在测试数据上达到和超过目前最佳情感识别模型的效果。支持声音事件检测能力,支持音乐、掌声、笑声、哭声、咳嗽、喷嚏等多种常见人机交互事件进行检测。高效推

状态dp总结

zoj 3631  N 个数中选若干数和(只能选一次)<=M 的最大值 const int Max_N = 38 ;int a[1<<16] , b[1<<16] , x[Max_N] , e[Max_N] ;void GetNum(int g[] , int n , int s[] , int &m){ int i , j , t ;m = 0 ;for(i = 0 ;

hdu3006状态dp

给你n个集合。集合中均为数字且数字的范围在[1,m]内。m<=14。现在问用这些集合能组成多少个集合自己本身也算。 import java.io.BufferedInputStream;import java.io.BufferedReader;import java.io.IOException;import java.io.InputStream;import java.io.Inp

从状态管理到性能优化:全面解析 Android Compose

文章目录 引言一、Android Compose基本概念1.1 什么是Android Compose?1.2 Compose的优势1.3 如何在项目中使用Compose 二、Compose中的状态管理2.1 状态管理的重要性2.2 Compose中的状态和数据流2.3 使用State和MutableState处理状态2.4 通过ViewModel进行状态管理 三、Compose中的列表和滚动

实例:如何统计当前主机的连接状态和连接数

统计当前主机的连接状态和连接数 在 Linux 中,可使用 ss 命令来查看主机的网络连接状态。以下是统计当前主机连接状态和连接主机数量的具体操作。 1. 统计当前主机的连接状态 使用 ss 命令结合 grep、cut、sort 和 uniq 命令来统计当前主机的 TCP 连接状态。 ss -nta | grep -v '^State' | cut -d " " -f 1 | sort |

免费也能高质量!2024年免费录屏软件深度对比评测

我公司因为客户覆盖面广的原因经常会开远程会议,有时候说的内容比较广需要引用多份的数据,我记录起来有一定难度,所以一般都用录屏工具来记录会议内容。这次我们来一起探索有什么免费录屏工具可以提高我们的工作效率吧。 1.福晰录屏大师 链接直达:https://www.foxitsoftware.cn/REC/  录屏软件录屏功能就是本职,这款录屏工具在录屏模式上提供了多种选项,可以选择屏幕录制、窗口