新しい AI 駆動型ツールは、一般的な組織学画像を詳細な多層癌マーカーに変換し、より迅速で正確な診断と患者の転帰の改善を約束します。
勉強： 生成AIベースの仮想多重腫瘍プロファイリングによる組織病理学ワークフローの加速画像クレジット: CI Photos/Shutterstock.com
最近発表された研究では、 ネイチャーマシンインテリジェンス研究者らは、ヘマトキシリンおよびエオシン（H&E）画像を複数の抗体マーカー（毎回1つのマーカー）の免疫組織化学（IHC）画像に変換する生成人工知能（AI）に基づく仮想多重染色ツールであるVirtualMultiplexerを開発しました。
背景
組織は、さまざまな細胞と非細胞物質から構成される空間的に構造化された生態系です。H&E は、病気に関連する組織の形態を調べるために組織病理学のプロセスで使用される重要な染色技術です。H&E は、癌における異常な細胞増殖、リンパ管侵襲、免疫細胞浸潤を検出します。
腫瘍の空間的異質性を理解することは、がん生物学にとって重要です。現在のプロセスは、時間がかかり、組織を集中的に扱う手順に依存しているため、画像の位置がずれてしまいます。AI を使用して組織画像を人工的に染色することは、有望で、費用対効果が高く、簡単にアクセスできる代替手段です。
研究について
本研究では、研究者らは、入力された H&E 染色画像に基づいて、さまざまな抗体マーカーの仮想多重免疫組織化学画像を提供する VirtualMultiplexer ツールを作成しました。抗体マーカーには、アンドロゲン受容体 (AR)、ホメオボックスタンパク質 Nkx-3.1 (NKX3.1)、分化クラスター 44 (CD44)、CD146、p53、赤芽球形質転換特異的関連遺伝子 (ERG) が含まれます。
研究チームは、VirtualMultiplexer を、ペアになっていない元の H&E 染色 (ソース) 画像と免疫組織化学 (ターゲット) 画像でトレーニングしました。モデルは画像をパッチに分割し、入力と出力を調整するジェネレーター ネットワークに入力しました。モデルは染色パターンを組織の形状に変換しました。生成された IHC パッチを組み合わせて、仮想 IHC 画像を形成しました。
VirtualMultiplexer は、単一細胞、細胞近傍、および画像全体のレベルで人間の専門家によるレビューを再現するアーキテクチャを提供します。近傍損失を使用して、生成された IHC パッチが元のパッチと区別できないようにします。また、対照的非対比翻訳 (CUT) による敵対的および多層的な対照損失も使用します。全体的な一貫性損失により、実際の免疫組織化学画像と仮想免疫組織化学画像間のコンテンツとスタイルの一貫性が確保されます。局所的な一貫性損失により、元の表現と染色パターンがキャプチャされます。
研究者らは、前立腺がんの組織マイクロアレイ (TMA) を使用して AI ツールをトレーニングしました。TMA には、臨床的に重要な 6 つの膜、細胞質、核マーカーについて、H&E および IHC 剤で染色された非対称画像が含まれていました。研究者らは、各 IHC マーカーごとに個別の 1 対 1 の VirtualMultiplexer モデルをトレーニングしました。
染色の信頼性を確保するために、研究者らは 3 つの個別の損失関数を組み合わせたマルチスケール技術を提供しています。研究者らは、定量的な忠実度基準、専門家による病理評価、視覚的なチューリング評価を適用して作成された画像を分析し、臨床結果を推定して治療上の重要性を判断しました。研究者らは、VirtualMultiplexer を 4 つの最先端の非対 S2S 変換アルゴリズムと比較し、Fréchet 開始距離 (FID) を使用して AI 生成画像の品質を評価しました。
研究者らは、本物の H&E、実際の IHC、または仮想 IHC 画像を組織グラフ表現としてエンコードし、グラフ トランスフォーマー (GT) を使用してその表現を下流のクラス ラベルに転送しました。
研究者らは、欧州多施設前立腺がん臨床・トランスレーショナル研究 (EMpaCT) データセットで得られた染色を使用して、患者の生存と病気の進行を予測しました。研究者らは、前立腺がんグレード評価 (PANDA) および SICAP データセット (H&E 染色生検と関連するグリーソンスコアを含む) を使用して、データを一般化するモデルの能力をテストしました。研究者らは、EMpaCT で事前トレーニングされた VirtualMultiplexer を膵管腺がんコホート (PDAC) TMA に適用し、CD44、CD146、p53 の仮想 IHC 画像と、がんゲノムアトラスからの結腸直腸がんおよび乳がんの H&E 染色全スライド画像 (WSI) を生成しました。
結果
VirtualMultiplexer は、連続した組織切片、画像の登録、または専門家による長い注釈を必要とせずに、さまざまな組織スケールで生理学的に意味のある染色パターンを特定しました。タイムリーで堅牢かつ正確な方法で、実際のものと区別がつかない優れた染色品質を備えたほぼ多重化された画像データセットを生成します。研究者は、組織のサイズや患者コホートを超えてモデルを効果的に変換し、組織タイプ間での転送が可能であることを示しました。
VirtualMultiplexer は、元の H&E 画像の組織形状と染色パターンを保持した仮想 IHC 画像を作成しました。このモデルは、すべての抗体マーカーにわたって FID 値が最も低く (平均 29)、CycleGAN、AI-FFPE CUT、およびカーネルインスタンス正規化 (KIN) を使用した CUT よりも一貫して低い値でした。チューリング テストでは、このモデルは抗体マーカーに対して 52% の感度と 54% の特異性を示しました。平均して、仮想画像の 71% が許容できる染色品質を示しましたが、実際の画像では 78% でした。
VirtualMultiplexer には、背景が盛り上がっていたり、コア境界付近でタイリングアーティファクトが顕著だったりするなどの制限があります。また、CD146+ 血管構造や腺周囲間質に侵入する腺 NKX3.1+ 細胞を適切に染色できません。これらの問題にもかかわらず、生成された画像により、早期融合 GT モデルのトレーニングが可能になり、分布外前立腺癌と PDAC 腫瘍、リンパ節、および転移の両方の臨床エンドポイント予測が改善されました。 転移 (TNM) コホート。
結論
この研究では、VirtualMultiplexer が高品質でリアルな多重 IHC 画像を生成することで、組織病理学プロセスと癌生物学における臨床予測を改善することが示されました。この研究結果は、AI 支援による多重腫瘍画像の治療的使用を強調しています。VirtualMultiplexer は、データ修復、サンプル補完、および組織病理学前の実験設計に適しています。今後の研究では、このアプローチを実際の状況で評価する必要があります。
1726139852
#AIツールが標準組織画像を変換して癌診断を強化
2024-09-12 11:09:00