HE泛癌三级淋巴结构文献

Deep learning on tertiary lymphoid structures in hematoxylin-eosin predicts cancer prognosis and immunotherapy response - PubMed (nih.gov)

作者进行了泛癌的HE切片分析

模型开发

作者整体研究设计如图所示。1. 首先，我们根据匹配的 mIHC 和 H&E WSI 生成了一个严格策划的数据集（图 I 部分）。1），均以 20× （0.5 \（{\upmu}{\mathrm{m}}{/}\）像素）的放大倍率来自 60 例食管鳞状细胞癌 （ESCC） 患者和 5 例非小细胞肺癌 （NSCLC） 患者（补充表 1）。根据 CD3 和 CD20 染色鉴定 TLS，随后用作在来自同一个体的连续 H&E 染色载玻片上分割 TLS 的基本事实。H&E WSI 及其 TLS 分割被裁剪成 22,497 个大小相等的图块（512 × 512 像素，256 mm × 256 mm）（补充图 1）。1）并以7：1：2的比例随机分为内部训练集、验证集和测试集（补充表2）。

估计的 TLS 比率与各种 TCGA 肿瘤类型的 B 淋巴细胞水平和 CXCL13 表达相关分析

预后分析

---

结合免疫治疗队列进行验证

a 接受抗PD-1单药治疗的ESCC队列中TLS比率与免疫治疗反应之间的关联。b 在接受抗PD-1和化疗联合治疗的NSCLC队列中，TLS比率与免疫治疗反应之间的关联。c 在接受抗PD-1和阿帕替尼联合治疗的NSCLC队列中，TLS比率与免疫治疗反应之间的关联。d 在接受联合抗 PD-1 和同步放化疗的 STAD 队列中，TLS 比率与免疫治疗反应之间的关联。

---

讨论亮点：

我们方法的一个主要优势是利用了高质量的训练数据集，通过匹配的 mIHC 图像验证了 H&E 图像的 TLS 分割，并由经验丰富的病理学家手动审查。这种强大的培训过程能够开发出一种自动化、一致的模型，用于适用于无处不在的 H&E 载玻片的精确 TLS 分割和定量，而无需依赖专门的检测方法。尽管训练数据集不平衡，包括 60 个 ESCC 和 5 个 NSCLC 肿瘤组织，这可能会导致 ESCC 的更好表现，但使用外部验证集的独立评估表明，每个 NSCLC 病例的 IoU 仍高于 0.65。

我们研究的另一个局限性是TLS具有复杂的3D结构43，而我们分析了单个 2D 组织学切片，这些切片可能无法完全概括整个 TLS 免疫学组成，尤其是在小活检样本中。虽然这种方法学限制很常见，并且会影响许多类型的组织病理学分析，但由于其可及性和可行性，二维组织学仍然是临床环境中的标准。研究表明，某些 2D 图像特征可以作为其 3D 对应物的替代物44,45，从而为弥合实用性和准确性之间的差距提供了一种可行的方法。事实上，从 2D 组织学切片计算的 TLS 区域已被验证为各种肿瘤类型预后和免疫治疗反应的生物标志物13,46.为了缓解这个问题并更好地表示 TLS 的 3D 性质，我们建议使用来自同一肿瘤的多个非连续切片来量化和平均 TLS 比率。使用我们基于深度学习的方法评估多个标准组织学图像中的 TLS，提供了一种实用的方法，可以更好地近似真实的 3D TLS 分布，同时仍然依赖于常规组织病理学方案。需要进一步研究多玻片分析，以验证其性能优于单玻片定量。此外，直接测量来自 2D 组织学切片的 TLS 数量可能代表了另一个值得进一步研究的指标。

文献：

Deep learning on tertiary lymphoid structures in hematoxylin-eosin predicts cancer prognosis and immunotherapy response

源于自强师兄：

一周online了两篇文章！(零实验！医工交叉如何做延续性工作！)_哔哩哔哩_bilibili