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

Python实现Microsoft Office自动化的几种方式及对比详解

《Python实现MicrosoftOffice自动化的几种方式及对比详解》办公自动化是指利用现代化设备和技术,代替办公人员的部分手动或重复性业务活动,优质而高效地处理办公事务,实现对信息的高效利用... 目录一、基于COM接口的自动化(pywin32)二、独立文件操作库1. Word处理(python-d

Java常用注解扩展对比举例详解

《Java常用注解扩展对比举例详解》:本文主要介绍Java常用注解扩展对比的相关资料,提供了丰富的代码示例,并总结了最佳实践建议,帮助开发者更好地理解和应用这些注解,需要的朋友可以参考下... 目录一、@Controller 与 @RestController 对比二、使用 @Data 与 不使用 @Dat

python中字符串拼接的几种方法及优缺点对比详解

《python中字符串拼接的几种方法及优缺点对比详解》在Python中,字符串拼接是常见的操作,Python提供了多种方法来拼接字符串,每种方法有其优缺点和适用场景,以下是几种常见的字符串拼接方法,需... 目录1. 使用 + 运算符示例:优缺点:2. 使用&nbsjsp;join() 方法示例:优缺点:3

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

讯飞webapi语音识别接口调用示例代码(python)

《讯飞webapi语音识别接口调用示例代码(python)》:本文主要介绍如何使用Python3调用讯飞WebAPI语音识别接口,重点解决了在处理语音识别结果时判断是否为最后一帧的问题,通过运行代... 目录前言一、环境二、引入库三、代码实例四、运行结果五、总结前言基于python3 讯飞webAPI语音

Golang中拼接字符串的6种方式性能对比

《Golang中拼接字符串的6种方式性能对比》golang的string类型是不可修改的,对于拼接字符串来说,本质上还是创建一个新的对象将数据放进去,主要有6种拼接方式,下面小编就来为大家详细讲讲吧... 目录拼接方式介绍性能对比测试代码测试结果源码分析golang的string类型是不可修改的,对于拼接字

Flutter监听当前页面可见与隐藏状态的代码详解

《Flutter监听当前页面可见与隐藏状态的代码详解》文章介绍了如何在Flutter中使用路由观察者来监听应用进入前台或后台状态以及页面的显示和隐藏,并通过代码示例讲解的非常详细,需要的朋友可以参考下... flutter 可以监听 app 进入前台还是后台状态,也可以监听当http://www.cppcn

使用Python开发一个图像标注与OCR识别工具

《使用Python开发一个图像标注与OCR识别工具》:本文主要介绍一个使用Python开发的工具,允许用户在图像上进行矩形标注,使用OCR对标注区域进行文本识别,并将结果保存为Excel文件,感兴... 目录项目简介1. 图像加载与显示2. 矩形标注3. OCR识别4. 标注的保存与加载5. 裁剪与重置图像