数字病理学中癌症核结构的基于运输的形态计量
摘要：从核形态学的变化可以作为病理学家在诊断和分级许多肿瘤，尤其是恶性肿瘤中使用的有用辅助工具甚至诊断工具。大型数据集，如TCGA和Human Protein Atlas，结合新兴的机器学习和统计建模方法，如特征提取和深度学习技术，可以从细胞核图像中提取有意义的知识，特别是来自癌症肿瘤的图像。在这里，我们描述了一种基于最优输运数学的新技术，用于直接从图像数据中建模与核染色质结构相关的信息内容。与其他技术相比，我们的方法使用基于输运的形态测量(TBM)框架，表示相对于模板核的每个核的整个信息内容。我们证明了该模型对不同的染色模式和图像协议具有稳健性，并且可以在数据集和癌症类型之间发现有意义且可解释的信息。特别地，我们展示了能够区分从肝实质、甲状腺、肺间皮和皮肤上皮等不同癌症组织来源的肿瘤的核特征在良性到恶性类别间的形态差异。我们相信这些概念验证计算证明了TBM框架可以提供进行有意义的比较所需的定量测量，跨各种数据集和癌症类型，可以潜在地实现众多癌症研究、技术和临床应用，并有助于将核形态学的角色提升为更具量化性的科学。我们实现了这种方法的源代码可以在https://github.com/rohdelab/nuclear\_morphometry找到。
作者：Mohammad Shifat E Rabbi, Natasha Ironside, John A Ozolek, Rajendra Singh, Liron Pantanowitz, Gustavo K Rohde
论文ID：2302.01449
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2023-02-06