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

Node.js 中 http 模块的深度剖析与实战应用小结

《Node.js中http模块的深度剖析与实战应用小结》本文详细介绍了Node.js中的http模块,从创建HTTP服务器、处理请求与响应,到获取请求参数,每个环节都通过代码示例进行解析,旨在帮... 目录Node.js 中 http 模块的深度剖析与实战应用一、引言二、创建 HTTP 服务器:基石搭建(一

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

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

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识