Cancer Res | 深度學(xué)習(xí)3D病理學(xué)輔助前列腺癌風(fēng)險(xiǎn)分層

原創(chuàng)?huacishu?圖靈基因?2021-12-20 10:22

收錄于話題#前沿生物大數(shù)據(jù)分析

撰文：huacishu

IF=12.700

推薦度：?????

亮點(diǎn)：

1枫虏、作者開(kāi)發(fā)了一個(gè)工作流程，用于對(duì)整個(gè)前列腺活檢進(jìn)行無(wú)損的3D病理學(xué)和計(jì)算分析，并使用快速廉價(jià)的標(biāo)準(zhǔn)H&E染色熒光類(lèi)似物進(jìn)行標(biāo)記冰单；

2苟弛、該分析基于可解釋的腺體特征软棺，并通過(guò)3D圖像翻譯輔助分割（ITAS3D）的開(kāi)發(fā)而實(shí)現(xiàn)。ITAS3D是一種可推廣的基于深度學(xué)習(xí)的策略影涉，使組織微觀結(jié)構(gòu)能夠以無(wú)注釋和客觀（基于生物標(biāo)記物）的方式進(jìn)行體積分割变隔，而無(wú)需免疫標(biāo)記。

美國(guó)華盛頓大學(xué)的Jonathan Liu教授課題組在國(guó)際知名期刊Cancer Res在線發(fā)表題為“Prostate cancer risk stratification via non-destructive 3D pathology with deep learning-assisted gland analysis”的論文蟹倾。前列腺癌治療計(jì)劃在很大程度上取決于核芯針穿刺活檢匣缘。前列腺的微觀結(jié)構(gòu)是病理學(xué)家進(jìn)行預(yù)后分級(jí)的基礎(chǔ)。通過(guò)對(duì)有限數(shù)量的2D組織切片進(jìn)行目視檢查來(lái)解釋這些復(fù)雜的3D腺體結(jié)構(gòu)通常是不可靠的鲜棠，這會(huì)導(dǎo)致患者治療不足或者過(guò)度肌厨。為了改進(jìn)風(fēng)險(xiǎn)評(píng)估和治療決策，作者開(kāi)發(fā)了一個(gè)工作流程岔留，用于對(duì)整個(gè)前列腺活檢進(jìn)行無(wú)損3D病理學(xué)和計(jì)算分析夏哭，并使用快速廉價(jià)的標(biāo)準(zhǔn)H&E染色熒光類(lèi)似物進(jìn)行標(biāo)記。該分析基于可解釋的腺體特征献联，并通過(guò)3D圖像翻譯輔助分割（ITAS3D）的開(kāi)發(fā)而實(shí)現(xiàn)竖配。ITAS3D是一種可推廣的基于深度學(xué)習(xí)的策略，使組織微觀結(jié)構(gòu)能夠以無(wú)注釋和客觀（基于生物標(biāo)記物）的方式進(jìn)行體積分割里逆，而無(wú)需免疫標(biāo)記进胯。作為計(jì)算3D與計(jì)算2D病理學(xué)方法轉(zhuǎn)換價(jià)值的初步證明，作者對(duì)從50份存檔的根治性前列腺切除術(shù)標(biāo)本中提取的300份離體活檢進(jìn)行了成像原押，其中118份活檢含有癌癥胁镐。根據(jù)臨床生化復(fù)發(fā)（BCR）結(jié)果，癌癥活檢中的3D腺體特征優(yōu)于相應(yīng)的2D特征诸衔，用于低至中等風(fēng)險(xiǎn)前列腺患者的風(fēng)險(xiǎn)分層盯漂。本研究結(jié)果支持使用計(jì)算3D病理學(xué)指導(dǎo)前列腺癌的臨床治療。

基于多階段特征的分類(lèi)方法依賴(lài)于形態(tài)結(jié)構(gòu)的精確分割笨农，例如細(xì)胞核就缆、膠原纖維、血管谒亦，或者前列腺竭宰。這通常通過(guò)以下兩種方式之一實(shí)現(xiàn)：（1）直接基于深度學(xué)習(xí)的分割方法空郊，需要手動(dòng)注釋的訓(xùn)練數(shù)據(jù)集，這在3D中特別繁瑣且難以獲得（圖1a）切揭；或者（2）基于強(qiáng)度和形態(tài)學(xué)的傳統(tǒng)計(jì)算機(jī)視覺(jué)（CV）方法狞甚，前提是感興趣的組織結(jié)構(gòu)可以進(jìn)行特異性染色/標(biāo)記（圖1b）。雖然免疫標(biāo)記可以為傳統(tǒng)的基于CV的分割提供高度的特異性廓旬，但由于抗體成本高哼审，以及抗體在厚組織中擴(kuò)散時(shí)間慢，因此對(duì)于臨床3D病理學(xué)分析而言嗤谚，免疫標(biāo)記不是一種有吸引力的策略棺蛛。為了應(yīng)對(duì)這些挑戰(zhàn)，作者開(kāi)發(fā)了一種通用的無(wú)注釋三維分割方法巩步，以下稱(chēng)為“三維圖像翻譯輔助分割（ITAS3D）”旁赊。在具體實(shí)施的ITAS3D（圖1c）中，前列腺組織的3D H&E模擬圖像在外觀上被合成轉(zhuǎn)換椅野，以模擬細(xì)胞角蛋白8（CK8）的3D免疫熒光（IF）圖像终畅，CK8是一種由所有前列腺的管腔上皮細(xì)胞表達(dá)的低分子量角蛋白，從而促進(jìn)目標(biāo)的實(shí)現(xiàn)竟闪，對(duì)腺上皮和腔空間進(jìn)行分割离福。深度學(xué)習(xí)圖像翻譯算法使用生成對(duì)抗網(wǎng)絡(luò)（GAN）進(jìn)行訓(xùn)練，該網(wǎng)絡(luò)以前用于2D虛擬染色應(yīng)用炼蛤。作為研究計(jì)算3D病理學(xué)價(jià)值的初步研究與計(jì)算2D病理工作相比妖爷，從10年前接受手術(shù)的50名患者的存檔根治性前列腺切除術(shù)（RP）標(biāo)本中提取了300份離體活檢。使用廉價(jià)的小分子對(duì)活檢進(jìn)行染色H&E的熒光模擬物理朋，通過(guò)簡(jiǎn)單的脫水和溶劑浸泡方案對(duì)活檢組織進(jìn)行光學(xué)清除絮识，使其對(duì)光透明，然后使用開(kāi)頂光片（OTLS）獲取整個(gè)活檢3D病理數(shù)據(jù)集的顯微鏡平臺(tái)嗽上。然后使用ITAS3D分割前列腺腺體網(wǎng)絡(luò)次舌，從包含PCa的118個(gè)活檢中提取3D腺體特征和相應(yīng)的2D特征。評(píng)估這些3D和2D特征基于臨床生物化學(xué)復(fù)發(fā)（BCR）的結(jié)果兽愤。

為了分割前列腺活檢中的3D腺體網(wǎng)絡(luò)彼念，首先訓(xùn)練了一個(gè)基于GAN的圖像序列轉(zhuǎn)換模型，將3D H&E模擬圖像轉(zhuǎn)換為合成的CK8 IF圖像浅萧，該圖像類(lèi)似于免疫組織化學(xué)染色（IHC）（圖2a）逐沙。如前所述，CK8生物標(biāo)記物由所有前列腺的管腔上皮細(xì)胞表達(dá)洼畅。圖像轉(zhuǎn)換模型以有監(jiān)督的方式使用H&E類(lèi)似物和CK8靶向單克隆抗體（mAb）熒光三標(biāo)的前列腺組織的圖像進(jìn)行訓(xùn)練酱吝。如圖2b的步驟1所示，對(duì)于整個(gè)活檢H&E到CK8轉(zhuǎn)換土思，首先細(xì)分3D活檢（~1 mm×0.7 mm×20 mm）將數(shù)據(jù)集分成約1 mm×0.7 mm×1 mm（~1024 x 700 x 1024像素）模塊务热。每個(gè)三維圖像塊被視為一個(gè)二維圖像序列，作為深度學(xué)習(xí)的函數(shù)己儒。在每個(gè)深度級(jí)別崎岂，從該級(jí)別的H&E模擬圖像推斷出合成CK8圖像，同時(shí)利用來(lái)自前兩個(gè)級(jí)別的圖像（H&E模擬和CK8）以強(qiáng)制空間連續(xù)性作為深度學(xué)習(xí)的函數(shù)闪湾。在圖2b的步驟2中冲甘，使用合成CK8數(shù)據(jù)集通過(guò)閾值算法分割管腔上皮細(xì)胞層。然后途样，利用上皮分割和細(xì)胞質(zhì)通道可以分割由上皮層包圍的腺體腔空間江醇。

圖3a中顯示了良性和癌癥區(qū)域的3D前列腺分割結(jié)果。雖然腺體可以由訓(xùn)練有素的觀察者在H&E模擬圖像上描繪何暇，但腺體的自動(dòng)計(jì)算分割仍然具有挑戰(zhàn)性陶夜。在這里，作者證明了基于H&E模擬輸入的3D圖像轉(zhuǎn)換產(chǎn)生合成CK8輸出裆站，其中管腔上皮細(xì)胞以高對(duì)比度和空間精度標(biāo)記条辟。進(jìn)一步表明，這些合成CK8數(shù)據(jù)集允許對(duì)腺體上皮宏胯、管腔和周?chē)|(zhì)組織進(jìn)行相對(duì)直接的分割（圖3a）羽嫡。如圖3a所示，來(lái)自各種前列腺癌亞型的腺體被成功分割肩袍，包括兩種腺體模式杭棵，它們分別與低風(fēng)險(xiǎn)和中等風(fēng)險(xiǎn)相關(guān)。為了證明2.5D圖像翻譯策略與類(lèi)似的2D圖像翻譯方法相比在深度方面的連續(xù)性得到了改善氛赐，圖3b中顯示了合成CK8數(shù)據(jù)集的垂直橫截面圖魂爪。雖然在2D圖像平移中，明顯的失真和不連續(xù)性被視為深度的函數(shù)鹰祸，但2.5D圖像序列平移的結(jié)果顯示出最佳的深度連續(xù)性甫窟。水平之間的突然形態(tài)不連續(xù)在2D翻譯中同樣明顯，但在2.5D翻譯方法中則不存在蛙婴。為了量化圖像翻譯方法的性能粗井，計(jì)算了一個(gè)3D結(jié)構(gòu)相似性（SSIM）度量，其中真實(shí)的CK8 IF數(shù)據(jù)集被用作基礎(chǔ)真值街图。然后浇衬，作者比較了ITAS3D與兩種常用方法的精度。需要注意的是未提供基于3D DL的基準(zhǔn)方法餐济，因?yàn)槟壳皼](méi)有足夠的3D注釋前列腺數(shù)據(jù)集來(lái)訓(xùn)練端到端的3D?深度學(xué)習(xí)分割模型耘擂；同樣，這也是開(kāi)發(fā)無(wú)注釋ITAS3D方法的主要?jiǎng)訖C(jī)之一絮姆。

由于大多數(shù)前列腺癌病例進(jìn)展緩慢醉冤，對(duì)存檔的前列腺切除標(biāo)本進(jìn)行了初步臨床研究秩霍，以評(píng)估3D與2D腺體特征的預(yù)后價(jià)值。研究包括N=50名前列腺癌患者蚁阳，他們?cè)赗P治療后至少隨訪了5年（主要是低風(fēng)險(xiǎn)至中等風(fēng)險(xiǎn)患者）铃绒。在最初的研究中，大約一半的患者在RP的5年內(nèi)經(jīng)歷了BCR螺捐，這使其成為研究的理想隊(duì)列颠悬。隨機(jī)選擇25例在RP后5年內(nèi)發(fā)生BCR的患者（“BCR”組）和25例在RP后5年內(nèi)未發(fā)生BCR的患者（“非BCR”組）的一個(gè)子集。從每個(gè)病例對(duì)應(yīng)的前列腺6個(gè)區(qū)域識(shí)別FFPE組織塊進(jìn)行活檢程序（圖4a）定血。接下來(lái)赔癌，從每個(gè)患者的6個(gè)FFPE組織塊中提取模擬核芯針刺活檢±焦担活組織切片被脫蠟灾票，用H&E熒光類(lèi)似物標(biāo)記，光學(xué)清除倔喂，并用最新開(kāi)發(fā)的OTLS顯微鏡進(jìn)行非破壞性成像铝条。然后，從3D腺體分段和活檢核心中心區(qū)域的單個(gè)2D水平計(jì)算組織形態(tài)計(jì)量學(xué)特征席噩，然后根據(jù)其與BCR結(jié)果的關(guān)聯(lián)進(jìn)行分析班缰。對(duì)于2D分析，總共3個(gè)水平的平均值如圖4a所示悼枢，其中三個(gè)水平面相隔20微米埠忘。比較了多種3D和2D腺組織形態(tài)計(jì)量學(xué)特征。例如馒索，當(dāng)腺體變小或變得更不規(guī)則時(shí)莹妒，管腔和上皮之間邊界是一個(gè)特征，這在侵襲性前列腺癌中常見(jiàn)绰上。這可以量化為3D中物體的平均表面曲率旨怠，或2D中物體橫截面圓周的曲率（圖4b）。作為另一個(gè)示例（圖4c）蜈块，腺體與凸面外殼的比率（G/H）定義為腺體（上皮+管腔）的體積比（3D）或面積比（2D）除以包圍腺體的凸面外殼鉴腻。該G/H特征與腺體周?chē)牟灰?guī)則性或“波紋度”呈負(fù)相關(guān)（在腺體本身的尺度上，而不是精細(xì)的表面紋理上）百揭，通常預(yù)期隨著前列腺癌的侵蝕而增加爽哎。對(duì)于各種3D和2D特征（圖4d-4e），生成了受試者操作特征（ROC）曲線器一，以量化特征根據(jù)5年BCR結(jié)果對(duì)患者進(jìn)行分層的能力课锌。當(dāng)比較類(lèi)似的3D和2D腺體特征時(shí)，3D特征與2D特征相比祈秕，與5年BCR結(jié)果的相關(guān)性大大提高渺贤。圖4b-4c（BCR組和非BCR組之間）所示3D特征的顯著p值和ROC曲線下面積（AUC）（圖4d-4e）說(shuō)明了這一點(diǎn)雏胃。作者還提取了管腔網(wǎng)絡(luò)的三維骨架，并量化了其分支參數(shù)癣亚。這里丑掺，“腺體骨架”被定義為一組線，這些線近似于各種腺體在三維空間中傳播時(shí)的中心軸述雾。由于腺體腔網(wǎng)絡(luò)的復(fù)雜3D分支樹(shù)結(jié)構(gòu)，這些骨骼衍生特征沒(méi)有直接的2D類(lèi)似物兼丰。在圖4f中玻孟，展示了骨架衍生特征的兩個(gè)示例：平均分支長(zhǎng)度和分支長(zhǎng)度的方差。這兩個(gè)特征與基于p值和AUC值的BCR結(jié)果相關(guān)（圖4f–4g）鳍征。分析顯示黍翎，侵襲性癌癥（BCR病例）的分支長(zhǎng)度較短，分支長(zhǎng)度的差異較小艳丛，這與先前從2D組織學(xué)觀察到的結(jié)果一致匣掸，即高級(jí)別前列腺癌中的腺體結(jié)構(gòu)較小且更豐富。分支長(zhǎng)度直方圖顯示絕大多數(shù)分支長(zhǎng)度<200-μm氮双，這表明標(biāo)準(zhǔn)前列腺活檢直徑（~1-mm）足以使整個(gè)活檢3D病理學(xué)以合理的準(zhǔn)確性量化前列腺癌分支長(zhǎng)度碰酝。為了探索結(jié)合多種腺體特征的預(yù)后價(jià)值，使用邏輯回歸模型進(jìn)行基于3D和2D特征的選擇和分類(lèi)戴差。結(jié)合12個(gè)非骨架3D特征（“3D非骨架模型”）的模型的ROC曲線得出的AUC值為0.80±0.05（平均值±標(biāo)準(zhǔn)偏差送爸；圖4h），遠(yuǎn)高于使用12個(gè)類(lèi)似2D特征（“2D模型”）訓(xùn)練的模型的AUC值（0.65±0.06）暖释。通過(guò)將5個(gè)骨架衍生特征添加到12個(gè)非骨架3D特征中袭厂，重新訓(xùn)練的3D多參數(shù)模型（“3D模型”）產(chǎn)生的AUC值略高，為0.81±0.05球匕。使用僅基于3D特征（非骨架）或2D特征的多參數(shù)分類(lèi)模型纹磺，根據(jù)5年的BCR結(jié)果將患者分為高風(fēng)險(xiǎn)組和低風(fēng)險(xiǎn)組，根據(jù)這些模型亮曹，為可獲得復(fù)發(fā)時(shí)間（BCR）數(shù)據(jù)的一部分病例構(gòu)建了無(wú)BCR生存率的Kaplan-Meier（KM）曲線（圖4i）.

ITAS3D可用于提取和分析其他3D特征（例如橄杨，核特征、血管特征和基質(zhì)特征）乾忱，以開(kāi)發(fā)基于多種組織類(lèi)型的多形態(tài)的強(qiáng)大分類(lèi)模型讥珍。無(wú)注釋的ITAS3D分割結(jié)果，一旦有足夠的數(shù)量窄瘟，也可用于訓(xùn)練基于深度學(xué)習(xí)的端到端的分割方法衷佃，繞過(guò)ITAS3D內(nèi)的圖像轉(zhuǎn)換步驟。在前列腺癌的背景下蹄葱，基于獨(dú)特的3D病理數(shù)據(jù)集氏义，正在進(jìn)行研究锄列，以確定額外的3D預(yù)后特征它呀。分析前列腺癌腺體特征的分層方法可能是有用的劲够，例如首先識(shí)別廣泛類(lèi)別的腺體形態(tài)（例如篩狀腺體），然后分析特定類(lèi)別的特征峦失，正如最近基于前列腺癌二維全幻燈片圖像的研究所建議的那樣克婶。未來(lái)的研究還應(yīng)致力于將計(jì)算3D病理學(xué)與患者數(shù)據(jù)（如放射組學(xué)筒严、基因組學(xué)和電子健康記錄）相結(jié)合，以開(kāi)發(fā)整體決策支持算法情萤。盡管如此鸭蛙，作為實(shí)現(xiàn)這些目標(biāo)的第一步，本研究的結(jié)果（通過(guò)ITAS3D計(jì)算方法）提供了迄今為止最有力的證據(jù)筋岛，支持計(jì)算3D病理學(xué)在臨床決策支持方面的價(jià)值娶视，特別是對(duì)于低至中等風(fēng)險(xiǎn)前列腺癌患者。

教授介紹

Jonathan Liu博士于1999年獲得普林斯頓大學(xué)機(jī)械工程學(xué)士學(xué)位睁宰，隨后分別于2000年和2005年獲得斯坦福大學(xué)機(jī)械工程碩士和博士學(xué)位肪获。2005-2010年，他在斯坦福大學(xué)（MIPS）的分子成像項(xiàng)目（Molecular Imaging Program）擔(dān)任博士后研究員柒傻，2010-2014年孝赫，他在Stony Brook University擔(dān)任助理教授。劉博士目前是華盛頓大學(xué)的教授诅愚，他的分子生物光譜學(xué)實(shí)驗(yàn)室開(kāi)發(fā)高分辨率光學(xué)成像和分析策略寒锚，用于手術(shù)指導(dǎo)和臨床決策支持（精確醫(yī)學(xué)）。Jonathan Liu是分子生物光子學(xué)實(shí)驗(yàn)室的主任违孝，該實(shí)驗(yàn)室為改進(jìn)疾病管理開(kāi)發(fā)光學(xué)成像解決方案刹前。特別是，正在開(kāi)發(fā)定制光學(xué)切片（3D）顯微鏡設(shè)備和計(jì)算分析策略雌桑，用于早期癌癥檢測(cè)喇喉、精確醫(yī)學(xué)（臨床決策支持）和手術(shù)指導(dǎo)。這些項(xiàng)目利用了在生物醫(yī)學(xué)光學(xué)校坑、機(jī)器學(xué)習(xí)拣技、光譜學(xué)、分子成像耍目、機(jī)械和電氣儀器膏斤、組織標(biāo)記/清除以及臨床前/臨床翻譯方面的多學(xué)科專(zhuān)業(yè)知識(shí)。

參考文獻(xiàn)

Xie W, Reder NP, Koyuncu CF, et al. Prostate cancer risk stratification vianon-destructive 3D pathology with deep learning-assisted gland analysis. CancerRes. 2021;canres.2843.2021. doi:10.1158/0008-5472.CAN-21-2843