TCGA病理图像深度学习的肿瘤淋巴细胞浸润(文献)

2023-11-02 19:59

本文主要是介绍TCGA病理图像深度学习的肿瘤淋巴细胞浸润(文献),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!

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“”。

具体方法详解

TIL映射的卷积神经网络

REAGENT OR RESOURCE

SOURCE

IDENTIFIER

Deposited Data

Tumor-infiltrating lymphocyte maps

This paper

Tumor-Infiltrating Lymphocytes Maps from TCGA H&E Whole Slide Pathology Images (TIL-WSI-TCGA) - TCIA DOIs - Cancer Imaging Archive Wiki

Software and Algorithms

Convolutional neural networks for TIL maps

This paper

Tumor-Infiltrating Lymphocytes Maps from TCGA H&E Whole Slide Pathology Images (TIL-WSI-TCGA) - TCIA DOIs - Cancer Imaging Archive Wiki

QuIP

Saltz et al., 2017

Description | Quantitative Imaging in Pathology (QuIP)

Theano

Theano Development Team, 2016

http://deeplearning.net/software/theano/

DeconvNet

Noh et al., 2015

https://github.com/HyeonwooNoh/DeconvNet

CIBERSORT

Newman et al., 2015

CIBERSORTx

APCluster

Bodenhofer et al., 2011

CRAN - Package apcluster

clusterCrit

The Comprehensive R Archive Network (CRAN)

CRAN - Package clusterCrit

polycor

Drasgow, 2014

CRAN - Package polycor

Other

Data (images, clinical and molecular) used in this study

National Cancer Institute Genomics Data Commons

Spatial Organization And Molecular Correlation Of Tumor-Infiltrating Lymphocytes Using Deep Learning On Pathology Images | NCI Genomic Data Commons

总体方法包括两个 CNN(淋巴细胞浸润分类 CNN(淋巴细胞 CNN))和坏死分割 CNN),以及捕获和整合病理学家反馈的机制,以评估和完善生成的肿瘤浸润淋巴细胞 (TIL) 图谱。

免疫应答的分子数据估计

CIBERSORT估计的免疫区室内免疫细胞组分的聚集比例。

淋巴细胞分数(lymphocyte fraction)是幼稚和记忆 B 细胞、幼稚、静息和活化记忆 CD4 T 细胞、滤泡辅助性 T 细胞、T 调节细胞、γ-δ T 细胞、CD8 T 细胞、活化和静息 NK 细胞和浆细胞的 CIBERSORT 估计值的集合。用基因分析的淋巴细胞分数与病理的TIL估计值进行斯皮尔曼相关性分析。

免疫浸润的局部空间结构

使用APCluster R包(Bodenhofer等人,2011)应用亲和传播算法来获得局部TIL簇模式。亲和力传播方法(Frey和Dueck,2007)同时将所有数据点视为可能数据点中的潜在示例(即聚类的中心)。它将每个数据点视为网络中的一个节点,沿着网络边缘递归传输实值消息,直到找到一组好的示例和相应的集群。

聚类表征是使用 Bernard Desgraupes 的 R 包 clusterCrit 中的计数和成员资格以及聚类索引的简单度量进行。Ball-Hall、Banfield-Raftery、C 指数和行列式 Ration 指数在软件包文档中进行了详细说明。

VariableDefinition or Reference
Number of TIL PatchesTIL patch count
TIL fraction(TIL patch count)/(Total number of available patches on tissue slice)
Number of TIL ClustersNumber of clusters, from affinity propagation clustering
Cluster Size MeanMean of the cluster membership counts
Cluster Size Standard DeviationStandard deviation of the cluster membership counts
Within-Cluster Dispersion MeanMean of the values of WGSSk, the within-cluster dispersion (see below)
Within-Cluster Dispersion Standard DeviationStandard deviation of the values of WGSSk
Cluster Extent MeanMean of the maximum distances to clusters exemplars. The cluster examplar is the most representative TIL patch for the cluster, as defined in the affinity propagation method
Cluster Extent Standard DeviationStandard deviation of the maximum distances to exemplars
Ball Hall IndexBall and Hall (1965). Available at: http://www.dtic.mil/docs/citations/AD0699616
Banfield Raftery IndexBanfield and Raftery (1993)
C IndexHubert and Schultz (1976)
Determinant Ratio IndexScott and Symons (1971)
Ball Hall Index - TIL count adjusted‘Adjusted’ refers to the residual of the corresponding index after regression against %TIL density
Banfield Raftery Index - TIL count adjusted‘Adjusted’ refers to the residual of the corresponding index after regression against %TIL density
C Index - TIL count adjusted‘Adjusted’ refers to the residual of the corresponding index after regression against %TIL density
Determinant Ratio Index - TIL count adjusted‘Adjusted’ refers to the residual of the corresponding index after regression against %TIL density

(补充文件表1 的详细解读)

TIL Map Structural Patterns评估

Summary Table of Criteria Used to Characterize TIL Map Structural Patterns

CategoryImmune ResponseQualitative PatternProportion of Tumor composed of Lymphocytes
IndeterminateInsufficient and/or no tumor in the H&E image at low-powerNot applicableNot applicable
NoneNo responseNo pattern<1% TILs
Non-brisk, focalVery Weak (minimal)Localized<5% TILs
Non-brisk, multi-focalWeak (mild)Loosely scattered foci>5%-30% TILs
Brisk, diffuseModerate to StrongDiffuse and dense infiltrate>30% TILs in the intra-tumoral component∗
Brisk, band-likeNot applicableInfiltrate bordering the tumor at its periphery<30% TILs in the intra-tumoral component∗

If the TIL map patterns revealed both diffuse and band-like immune responses, the predominant pattern was characterized and the difference between “Brisk, diffuse” and “Brisk, band-like” was based on whether the relative distribution of TILs in the intra-tumoral component appeared to be greater than or less than 30%, respectively.

其余详见文献的补充文件!

这篇关于TCGA病理图像深度学习的肿瘤淋巴细胞浸润(文献)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/332945

相关文章

深度解析Java DTO(最新推荐)

《深度解析JavaDTO(最新推荐)》DTO(DataTransferObject)是一种用于在不同层(如Controller层、Service层)之间传输数据的对象设计模式,其核心目的是封装数据,... 目录一、什么是DTO?DTO的核心特点:二、为什么需要DTO?(对比Entity)三、实际应用场景解析

深度解析Java项目中包和包之间的联系

《深度解析Java项目中包和包之间的联系》文章浏览阅读850次,点赞13次,收藏8次。本文详细介绍了Java分层架构中的几个关键包:DTO、Controller、Service和Mapper。_jav... 目录前言一、各大包1.DTO1.1、DTO的核心用途1.2. DTO与实体类(Entity)的区别1

深度解析Python装饰器常见用法与进阶技巧

《深度解析Python装饰器常见用法与进阶技巧》Python装饰器(Decorator)是提升代码可读性与复用性的强大工具,本文将深入解析Python装饰器的原理,常见用法,进阶技巧与最佳实践,希望可... 目录装饰器的基本原理函数装饰器的常见用法带参数的装饰器类装饰器与方法装饰器装饰器的嵌套与组合进阶技巧

深度解析Spring Boot拦截器Interceptor与过滤器Filter的区别与实战指南

《深度解析SpringBoot拦截器Interceptor与过滤器Filter的区别与实战指南》本文深度解析SpringBoot中拦截器与过滤器的区别,涵盖执行顺序、依赖关系、异常处理等核心差异,并... 目录Spring Boot拦截器(Interceptor)与过滤器(Filter)深度解析:区别、实现

深度解析Spring AOP @Aspect 原理、实战与最佳实践教程

《深度解析SpringAOP@Aspect原理、实战与最佳实践教程》文章系统讲解了SpringAOP核心概念、实现方式及原理,涵盖横切关注点分离、代理机制(JDK/CGLIB)、切入点类型、性能... 目录1. @ASPect 核心概念1.1 AOP 编程范式1.2 @Aspect 关键特性2. 完整代码实

SpringBoot开发中十大常见陷阱深度解析与避坑指南

《SpringBoot开发中十大常见陷阱深度解析与避坑指南》在SpringBoot的开发过程中,即使是经验丰富的开发者也难免会遇到各种棘手的问题,本文将针对SpringBoot开发中十大常见的“坑... 目录引言一、配置总出错?是不是同时用了.properties和.yml?二、换个位置配置就失效?搞清楚加

Go学习记录之runtime包深入解析

《Go学习记录之runtime包深入解析》Go语言runtime包管理运行时环境,涵盖goroutine调度、内存分配、垃圾回收、类型信息等核心功能,:本文主要介绍Go学习记录之runtime包的... 目录前言:一、runtime包内容学习1、作用:① Goroutine和并发控制:② 垃圾回收:③ 栈和

Python中文件读取操作漏洞深度解析与防护指南

《Python中文件读取操作漏洞深度解析与防护指南》在Web应用开发中,文件操作是最基础也最危险的功能之一,这篇文章将全面剖析Python环境中常见的文件读取漏洞类型,成因及防护方案,感兴趣的小伙伴可... 目录引言一、静态资源处理中的路径穿越漏洞1.1 典型漏洞场景1.2 os.path.join()的陷

Android学习总结之Java和kotlin区别超详细分析

《Android学习总结之Java和kotlin区别超详细分析》Java和Kotlin都是用于Android开发的编程语言,它们各自具有独特的特点和优势,:本文主要介绍Android学习总结之Ja... 目录一、空安全机制真题 1:Kotlin 如何解决 Java 的 NullPointerExceptio

Python中OpenCV与Matplotlib的图像操作入门指南

《Python中OpenCV与Matplotlib的图像操作入门指南》:本文主要介绍Python中OpenCV与Matplotlib的图像操作指南,本文通过实例代码给大家介绍的非常详细,对大家的学... 目录一、环境准备二、图像的基本操作1. 图像读取、显示与保存 使用OpenCV操作2. 像素级操作3.