摘要
免疫治疗的临床成功正在推动着新的预后和预测分析,来确定选择病人和分层。这种需求可以通过计算病理学和人工智能的结合来达到。本文我们批判性地评价了支持开发标准化方法来评估免疫肿瘤生物标记物如PD-L1和免疫细胞浸润的计算方法。我们通过肿瘤免疫细胞相互作用的空间分析和作为病人对癌症治疗反应的一种预测因子的多重技术来检验免疫谱。而且,我们讨论了整合生物信息学如何能使复杂形态表型与驱动精准医学的多组学数据库融合。我们提供了机器学习(ML)和人工智能工具的梗概,并说明了其在免疫肿瘤学如在大型和复杂数据库内的模式识别和用于生存分析的深度学习方法。外科病理学和计算方法的协同作用有望提高免疫肿瘤学中的病人分层。我们提议未来的临床需要最好将、通过以下方式来满足:(1)在病理学和生物信息学的交界面进行专门的研究,由专业协会提供支持;(2)将数据科学和数字图像分析整合到病理医生的专业教育中。
引言
一幅图胜过千言万语。这是从宏观病理学到微观病理学的技术转变的本质,正如Virchow在1858年首次推广的核心原则“Omnis Cellula et Cellula”所体现的那样。160年以后,病理学家正处于一个同样重要的技术转型阶段。我们开始认识到细胞图像所包含的信息比人眼所能提取的信息还要多。计算机辅助的图像分析有可能使复杂形态学信息在日常的诊断实践中更容易获得,提高预后和预测患者分层。人工智能已经成功应用到计算病理学中,并根据它们的分子特征对疾病进行分类。结合起来说,基于图像的数字病理学结合人工智能很可能在不久的将来将成为病理学家诊断工具中的一部分。
免疫肿瘤学需要对肿瘤微环境有一个详细的了解,包括不同免疫细胞亚组的识别和定量、它们的空间背景和免疫检查点标记的表达。免疫细胞浸润和生物标记物表达在治疗干预前后的变化是临床发展的关键参数。图像分析工具可以进行复杂和重复的生物标记物分析,具有高度的精确度和极好的重复性,这样能够极大地帮助病理学家在临床、形态学和分子信息进行个性化治疗方面发挥关键作用。因此,积极参与图像分析方法对于病理学家保持其在精准医学和诊断中的领导地位变得越来越重要。
最近几十年,电子数据处理已经改变了医学放射学、分子诊断和基因检测。同时,在这些临床学科之间发挥关键联系的病理学实践还没有明显改变。目前新的图像技术与基于组织的多重免疫组化(IHC)和分子表型的融合,我们数字化和处理大量组织切片的能力,以及通过自动化分化和人工智能支持人类解释的前景将对这个领域产生显著的影响。
虽然传统的医疗设备公司如飞利浦、GE和徕卡为数字病理学提供了新的平台,并将新的成像技术商业化,但大多数IT公司包括谷歌、IBM和微软,以及许多初创公司(如PathAI),通过运用它们在大数据科学和人工智能对数据分析和综合决策判断方面的经验而进入这个领域。药物公司也认识到先进的病理学对它们自己工作的重要性。罗氏公司已经获得FDA批准,为被诊断为结直肠癌(CRC)病人进行VENTANA MMR IHC套餐检测。因此,发展和保持对数字成像和数据挖掘的掌握将是21世纪病理学家有益的技能。
本文概述了图像分析和机器学习(ML)在精准免疫谱系中的应用。我们将证实成像工具在建立的免疫生物标记物的评估中如何能促进病理工作流程,以及如何通过空间分析和多重化能对肿瘤微环境进行更深入的描述。而且,我们将鉴定驱动形态-分子整合的计算方法和发现新的治疗靶点的深度学习方法。
计算病理学有助于已建立的生物标记物的评估
免疫肿瘤学通过引入免疫检查点抑制剂(ICI)而发生了革命性变化。ICI是靶向T细胞表面、抗原呈递细胞和肿瘤细胞上的免疫调控分子的单克隆抗体。阻断CTLA-4(细胞毒性T淋巴细胞相关蛋白4, CD152)和PD-1/PD-L1检查点(程序性细胞死亡蛋白1,CD279;程序性死亡配体1,CD274)的试剂的临床成功推动了实体和血液恶性肿瘤病人治疗的快速监管批准。通过IHC进行PD-L1评估作为一种重要的预测生物标记物用于非小细胞肺癌(NSCLC)、尿路上皮癌和肾细胞癌中。然而,PD-L1由于在肿瘤和非肿瘤细胞上的表达,相对明显的异质性和非直观性截断值而导致PD-L1评估存在固有的难度。不同病理医生评估PD-L1表达的差异是一个已知的难题。这可导致不准确的病人分层和PD-L1表达对临床后果的误解释。当评分围绕截断值时,主管决定可能导致完全不同的治疗分层。
PD-L1的数字化评分是通过在整个组织切片的单细胞分辨率下对生物标志物评估提供标准化指标而可能有助于病理医生克服这些困难。一张肿瘤切片可能含有106-107细胞,可使用专门构建的图像分析算法快速和重复地对其进行评分。全组织切片的评估是一种解释组织异质性和在低水平可靠评估PD-L1表达的有力方法。生物标志物区分的细微差异可能在单细胞分辨率下捕捉到。ML技术开始在数字成像技术中被利用。病理医生的输入对于创建同质的人工智能训练数据集至关重要,这些数据集包含了大量真实的阳性和阴性染色病例,以及非特异性染色和常见技术假象的病例。然后专业设计的ML应用程序可以帮助观察者根据形态学标准和染色特征将生物标记物评分分配给特定的细胞群。对于PD-L1评分,这种方法有助于包括或排除肿瘤浸润性免疫细胞和具有非特异性如胞质染色的肿瘤区域中的PD-L1表达。
图1 通过计算图像分析评估PD-L1表达。a.浅表扩散型恶性黑色素瘤PD-L1 IHC染色。肿瘤组织的数字注释以黄色显示. 肿瘤浸润性炎细胞中存在大量标志物异质性和PD-L1的表达,这使传统的组织病理学评估PD-L1阳性变得复杂。b.在HALOTM (Indica labs, Corrales, NM, USA)平台上进行的PD-L1数字评分。根据病理医生控制的细胞参数如核大小、圆度和光密度,用苏木精复染发进行核播种,共检测34.882个细胞,随后进行细胞/核边界检测和后处理。根据病理医生设置的阳性阈值检测DAB膜染色和分析。PD-L1阴性间质细胞核正常鳞状上皮作为切片上阴性对照。本例中,在注释的区域内检出11.802个PD-L1阳性细胞,阳性细胞占33.8%。c-d.浸润性免疫细胞PD-L1阳性可能会影响本身PD-L1表达水平低的实体肿瘤内的PD-L1表达评估。e-f. 在大样本集上训练的区分PD-L1阳性免疫细胞(绿色)与肿瘤细胞(红色)的机器学习算法是一种组织分类的有效方法。组织分类后进行DAB表达的细胞水平分析仅在肿瘤内进行PD-L1的精确评估。
标准化生物标志物评估方案对于加快免疫肿瘤治疗的临床发展至关重要。与临床试验并行开发专门构建的计算病理学解决方案可能有助于协调免疫治疗伴随诊断,因为图像分析算法在不同诊断实验室容易共享和标准化。另外,通过标准化组织块和扫描程序,计算病理学应用也能提高一个单位生物标记物评估的质量。虽然计算病理学将成为从数字化切片中提取定量信息的重要工具,但数字化也将使新的应用成为可能。有可能将当前病例与注释的表型文库进行比较,从而有效地将大量知识整合到临床决策中。总之,计算病理学方法可能成为使免疫生物标记物评估更具重复、坚实和可靠性的重要工具。
肿瘤免疫细胞浸润的空间分析
特异的免疫细胞在治疗前、治疗中或治疗后的识别、定位和空间相关性具有明显的预后和预测能力。无论是商业还是免费获得的开源图像分析解决方案,都可以通过IHC或免疫荧光(IF)对免疫细胞进行基于区域的定量分析,用于预后和预测分析。这包括肿瘤组织每平方毫米肿瘤周围和肿瘤内CD3+和CD8+ T细胞群的计数,以形成由HalioDx推销的免疫评分(IS)。这种方法已经在CRC中除了普通的危险因素外显示独立的预后价值,并且在其他实体肿瘤中具有很强的有助于病人分层的能力。一项基于国际联盟的I-III期CRC验证研究报道了具有大量肿瘤浸润性T细胞的病人无复发间隔明显延长。最近来自于采用新辅助化疗的III和IV期CRC病人的数据也显示采用图像分析的IS标记物的定量有可能指导晚期疾病的治疗时间和随访的决定。然而,用于预测免疫治疗反应,除了已知的预测因子如DNA错配修复(MMR)缺陷外,免疫评分的预测能力仍然需要调查。
评价免疫细胞浸润是未来的免疫治疗试验中用于病人分层的癌症免疫图谱的一个重要成分。当初研究发现黑色素瘤病人肿瘤浸润边缘和淋巴结转移内的T细胞位置与对ICI治疗反应密切相关。当代数字成像技术将能够进行更加详细的分析:在组织切片上对每个标记的阳性细胞进行x-y位置的精确编码,用于最精确的近邻和浸润分析已经可行(图2a-c)。这将允许更好地理解手术切除样本和临床前模型中肿瘤-肌体相互作用、检查点分子表达和治疗效应的病理生理。使用这些当代成像工具用于记录整个治疗过程的免疫细胞浸润,将使带有病人特征、临床反应谱和基因组标记物等数据挖掘更加全面,以便建立新的预测指标。空间分析和区域化研究也能用于检测和更好地理解ICI治疗中常见的免疫治疗相关的不良事件。
图2 肿瘤免疫细胞浸润的空间分析.a.结直肠腺癌组织微阵列点染色CK(快红)和CD8+T细胞(DAB),苏木精作为核复染(左侧)。计算颜色反褶积用于细胞核、快红和DAB反应产物(中间)的分离检测(肿瘤细胞:红色;CD8+T细胞:棕色;标记阴性的细胞核:蓝色)。在这个样本中总共检出1.623个细胞,包括867个肿瘤细胞,330个CD8+ T细胞核644个标记阴性的细胞。b. 在Halotm平台上进行的空间标绘显示在这个TMA点内的867个细胞角蛋白阳性肿瘤细胞核330个CD8+T细胞的定位。这允许在肿瘤微环境中对T细胞与商品内和间质成分的相对分布精确提取数据。在这个样本中,112个CD8+ T细胞(或33.9%)定位于上皮内,而218个CD8+T细胞(或66.1%)定位于肿瘤间质。c.在这个组织样本中x-y坐标的记录允许通过空间分析来定义细胞-细胞之间的关系,如肿瘤与CD8+细胞群(左)最近邻相关性的定义,以及精确的细胞-细胞距离测量(右)的提取。
多重分析
为了更加准确地对病人分层适合免疫治疗,组织学分析应旨在一个组织标本中进行免疫和肿瘤相关通路特征的同时描述。多重免疫谱分析是产生与临床参数相关的综合生物标志物数据集的关键。数字图像分析是一种在生物标记物表达水平、共定位和提取区分上提取综合信息的有效工具。技术方法包括通过计算方法进行虚拟多种染色,一张切片上同时进行多个标志物染色,以及顺序染色和终止方案。
图像配准是使用计算方法从连续切片中产生虚拟多种染色的一种有效方法。在切片、染色和扫描后,连续切片能够通过自动化或用户指导的方法进行计算对齐。数字图像分析被进行,分析的结果被用于产生虚拟多个生物标记物文件。标准手动或自动染色程序可用于可视化。虚拟多种染色也提供了结合不同组织学方法如用于多参数组织分析的RNA原位杂交和IHC的唯一机会。该方法最近被用于CRC微环境内特异性microRNAs、干扰素刺激靶基因、T细胞浸润和细胞毒效应分子表达的空间上的相关性。局限性包括需要多个组织切片、不可避免的切片假象,以及需要进行复杂的图像转换程序用于精确的图像对齐。
高度优化的多染色组合结合专门构建的数字图像分软件能克服这些缺点。然而,需要对多模染色平台和分析软件进行大量投入。这项方法的例子包括由PerkinElmer引入的Vectra® PolarisTM 自动化定量病理分析系统。这个工作流程使用一张切片就可以产生高度多重化IF套餐,并以严格的定量方法研究6个或以上抗原。标准化是通过商业化获得的标记物套餐而促进的,这可有助于未来的临床应用。最近由Mezheyeuski及其同事进行的一项研究完美地说明了Vectra方法与组织微阵列技术结合,可对NSCLC样本内免疫微环境进行高通路分析。通过将肿瘤特异性标记物与一组免疫细胞相关抗原结合,作者分析了特异性淋巴细胞亚群的定量和空间信息,以及RNA表达水平和预后。
对同时性多重IF的有趣的替代方法是由染色、数字化、荧光染色的激活和重新染色等组成的顺序工作流程。在一张切片上进行多达100个IF生物标记物的分析技术上是可行的。典型应用包括多重荧光显微镜法(MxIF)和多表位配体制图法(LELC)。相似的方法被检测和成功应用于IHC方案中。来自于每个染色周期的单通道输出能够容易整合入综合性表达图谱内,并用计算方法来描述肿瘤微环境。然而,染色方案的个性优化、反复染色周期的组织降解、处理时间和标准化都可阻碍该技术应用于大的临床试验样本中。
通过indEXing的共同检测(CODEX)是抗体标记的高二维成像技术在FFPE组织中的最新创新方法之一。CODEX使用标有独特DNA条形码的抗体,这些抗体可通过与荧光标记的dNTP类似物的原位聚合而反复被检出。组织切片在单个富于步骤内被染色,随后进行成像循环,以便空间分辨所有抗体结合事件。初步研究已经证明了这种方法对于免疫组织结构的深入分析的技术可行性和威力。癌症组织的免疫谱的应用对于微环境与临床和分子参数之间的关系的详细分析逻辑上是下一步的事情。这种方法的决定性优势是有可能将CODEX标记在标准的三色荧光显微镜或扫描仪上进行成像。
将空间成像方法与质谱联用,可能有助于在肿瘤微环境精确成像方面达到另一个维度。多重离子束成像(MIBI)使用同位素纯元素金属报告器(质量标签)标记的抗体同时检测FFPE组织切片上的100个靶标。传统组织学染色可能包括在这个组合内,允许虚拟组织学图像与抗体表达数据的精确重建。MIBI决定性技术优势包括质量标签的稳定性,敏感度超过显色IHC近3个对数级水平,以及单个标签之间没有光谱重叠。最近研究证实将基于RNAscope的金属原位杂交与用于多参数分析的MIBI整合在一起具有技术可行性。专用数字图像分析方法能够重构虚拟组织学图像,揭示细胞表型、空间相互作用和形态学结构。利用分离的组织样本的进一步技术进步允许使用质谱-流式细胞术杂交仪器,即所谓的“BCyTOF”进行单细胞蛋白质组学分析。然而,为了获得这项技术,必须进行巨大的投入和拥有专业的质谱技术。
形态-分子整合
最近提出的“癌症免疫图”表明有7种分类,包括肿瘤外来性、一般免疫状态、免疫细胞浸润、无检查点、无可溶性抑制因子、无抑制性肿瘤代谢物和肿瘤对免疫效应子的敏感性等作为免疫治疗反应的最重要预测因子。因此,癌症免疫图具有高度整合性,包括用于免疫治疗反应的个体化预测的、基于分子和图像方法评估的肿瘤和免疫相关的参数。通过提供基于组织的参数的连续数据,如免疫细胞浸润和免疫检查点的表达,计算病理学方法非常适合于与分子参数的数据整合。
具有高度突变负荷的肿瘤常显示免疫活化的表型。最近研究发现在实体肿瘤中DNA错配修复缺陷与高频的新生抗原和免疫治疗反应之间存在一定的联系。然而,基因组参数与免疫源性之间的关系远不是线性关系。在一些实体肿瘤如黑色素瘤中,新生抗原类型与基线免疫活化的频率缺乏相关性已被强有力的证实。在这些肿瘤中,大量调控T细胞浸润可能抑制抗肿瘤免疫反应。其他可影响肿瘤抗原性的抑制机制是抗原递呈缺陷和免疫抑制分子如CD47、PD-L1和吲哚胺-2,3-双加氧酶等过表达。这些基于图像的特征可能被计算机成像分析技术可靠捕获,进一步进行肿瘤微环境谱的分析。
将免疫细胞浸润的数字信息与分子数据整合是形成“癌症免疫图”的一种强有力的方法。Conde及其同事最近通过将肺鳞状细胞癌内CD8+T细胞浸润的数字评估与PD-L1的手工评分和靶向二代测序技术相结合,为特定的基因改变与确定的免疫表型之间存在相关性提供了一个原则证明。将数字和分子病理学结合起来也促进了可以预测免疫治疗反应的新方法的开发。我们最近开发和验证了一种计算病理学方法,该方法发现NSCLC内特异性PD1阳性亚群可作为对ICI治疗反应的一种强有力的预测因子。方法学上,这种技术是RNA测序数据和基于组织的方法的形态-分子整合驱动的。计算图像分析是这个过程的关键工具,它推动了一种标准化算法的发展,该算法用于检测具有独特高表达PD1蛋白(PD1T淋巴细胞)的肿瘤浸润性淋巴细胞群。PD1T细胞在肺癌病人治疗前活检标本中可被重复性检出和定量,并且在2个独立的临床队列研究中与对ICI的治疗反应强烈相关。这种转化方法强调了数字图像分析如何能够代表癌症免疫治疗应用的一种强有力的伴随诊断。
机器学习和人工智能
ML将使免疫肿瘤学领域发生变革。我们预计ML将推动数据收集和分析方式的模式发生变化,这些变化有利于发现新的预后标志物或构建更严格的危险风类,以增强分层医学的能力。ML本质上是一套计算机算法,它们学习通用规则,执行直接来自于数据中的任何给定的任务,而不需要预先定义的知识或主要专业知识。这在许多方面与病理学家以前通过不断实践获得知识和专业知识的方式相似,这些实践导致了临床常规中新的诊断分类或预后因素。
由于ML很大程度上是数据驱动的,因而它能够使一种方法从数据中获得无偏倚的统计学信息。准确和连续变量更具有信息性,并且能提供比目前在诊断实践中应用的半定量评分更多生物学相关的信息。尽管存在的几种分类回归模型可促使发现预测或预后因素,但当数据大而复杂时,ML的能力会超过传统的工具。ML可以处理大量数据,并学习参数和结果之间的复杂关系,而无需按照传统回归模型中的正常要求的预先指定的关系。尽管如此,如果不谨慎使用,数据驱动方法的缺点是非常严重的。如果数据没有没有经过认真的预处理以消除任何虚假特征,ML能够学习到与结果相关的无意义、生物学上无法解释的特征。训练数据集必须以高度标准化的方式生成。否则,AI算法可能将不同数据集之间的的采样差异和假象误解释为独特的生物特征。这种现象被称为垃圾进,垃圾出。因此,病理学专家在图像分析算法训练中的投入非常重要。此外,ML倾向于过度适应于发现数据,这些数据导致在模型的执行上的过于乐观的评估,而事实上,它不能很好地推广到新的未知数据集上。因此,ML模型需要在新的数据集上进行严格验证,而不是依赖于模型开发期间那些使用的数据集。深度卷积神经网络(DCNN)来自于计算机视觉领域,是一种换门用于图像分析人物的ML方法。最近几年,DCNN成功应用于诊断病理学的关键应用,包括细胞分类、细胞计数、肿瘤分级、癌症诊断和癌症预后。
机器学习在免疫肿瘤学中的应用:模式识别
在免疫肿瘤学中,ML作为一种模式识别工具能够准确和重复地评估免疫组化标记物表达的规律、肿瘤形态学和肿瘤浸润性淋巴细胞(TILs)的空间分布。ML工具在复杂的免疫表型数据集中能够检测关键的特征强调了其在癌症研究中开发新的预测模型的潜在重要性。初步研究强调了ML方法在临床转化中的潜力。
Yuan等在HE染色的切片上对三阴性乳腺癌队列的细胞进行了计算分析,根据淋巴细胞与肿瘤细胞的接近程度,采用无监督的聚类分析方法,能够发现3类淋巴细胞(肿瘤内、肿瘤旁和肿瘤远处)。令人感兴趣的是,肿瘤内淋巴细胞总数量与癌细胞数量的比例与疾病特异性生存和CTLA-4(一种已知的免疫治疗靶点)表达强烈相关。Saltz等应用DCNN模型来确定HE染色切片的每个小的区域TIL浸润的可能性,这导致了显示局部淋巴细胞浸润程度的图谱。采用无监督聚类方法将小TIL区域划分为空间附着的体系。最后的聚类模式是使用聚类大小和形状相关的参数为特征。重要的是,聚类的协变量总结的复杂特征被发现与不同癌症组的总生存率相关,说明了ML方法为免疫肿瘤学中发展生物标记物而应用于标准HE切片的潜力。
Heindl等证实使用全自动HE染色图像分析算法定量空间聚类的数量或免疫细胞和癌细胞的热点在ER+乳腺癌中具有预后价值。空间聚类被认为是一个区域,考虑到整个组织切片上细胞的分布,感兴趣的细胞数量意外地明显多于预期。免疫空间聚类的增加与预后不良有关,预后意义上与IHC检测和Oncotype DX21基因复发评分不相上下。有兴趣的是,在本研究中与淋巴细胞不同类别与癌细胞总数之比相关的免疫评分并未提供预后信息。这表明ML工具对检测新的形态学特征的重要性,这些形态学特征提供了已建立的分类之外的预后信息。
机器学习在免疫肿瘤学中的应用:生存分析
在医学研究中,生存分析是评估每个候选协变量预后意义的一种传统方法。最广泛使用的生存模式是Cox比例风险模型。它假定有兴趣的时间发生(失败)的风险不是时间依赖性,是由所有协变量的线性关系决定的,也可包括协变量之间的交互作用项。这种过于简单化的假定或许不能捕捉到所观察到的医学协变量对失败风险的精确效应。这在免疫肿瘤学中特别真实,免疫浸润和免疫相关基因信号的协变量的效应被发现取决于肿瘤类型和机体免疫状态。应用于生存分析的DNN能够提供一种更好的方法来模拟预后因子之间复杂的非线性关系,这些预测因子更适合生存数据。
研究显示在各种医学应用中DNN执行好于Cox比例风险模型。Katzman等调查了这种风险与治疗方法的关系,证实他们的DeepSurv系统能提供治疗建议,并可以提高病人的平均生存时间。Yousefi等使用它们的SurvivalNet分析TCGA数据库的大规模基因组谱。他们已经证明了该模型对于不同癌症类型的稳健性,即使输入协变量的数量有时比样本量大得多。而且,该模型也允许解释每个协变量根据它们对总体风险的贡献大小而所起到的预后意义。同样模型被扩展到允许将组织学图像和基因组数据整合入一个统一的框架中。同样,通过ML查询的特异性甲基化谱也被显示适合于预测对免疫检查点抑制剂的反应。与图像分析类似,这种模式同时考虑率肿瘤和反应性细胞。这些结果提示作为一种发现工具,深度学习为进一步了解免疫肿瘤的生物学提供了可能。
挑战
数字病理设备的监管问题呗国家和国际团体广泛认识。先锋公司最近根据体外诊断医疗设备指令在欧盟获得常规病理应用的CE认证。食品和药物管理局(FDA)和美国病理学家学会(CAP)已经提出了全面的、不具约束力的建议。这些指南强调了用计算病理学方法检测免疫治疗的新兴生物标记物的两个重要方面:首先,FDA建议和CE认证程序所要求的成像系统的质量和可靠性;第二,病理学家使用CAP建议的数字系统做出诊断的一致性。两者在设计用于告知临床处理决定的可靠计算病理学工作流程中具有重要作用。
有人担心不准确的研究设计,统计学分析和研究报告导致研究经费大量浪费和不准确的科学结论。使用成像分析方法所固有的一个主要挑战是变量数量的大幅增加。从科学前景的角度来看,由于它能够从有限的组织中尽可能地提取更多信息而似乎更有吸引力,但重要的是要知道大量数据挖掘本身会增加统计学噪音的水平。需要考虑稳健的统计学以避免多重检测问题和误导的结论。因此与任何诊断工具一样,数字图像分析因此严格依赖于科学的严谨性,可靠的文档,连续的质量控制和病理工作人员的充分培训。未解决的问题也包括在组织切片成像和分析前的分析前步骤的标准化。Ki-67染色是一个很好的例子,尽管它是同类检测中最常用的一种,但它被证明在不同实验室之间难以达到一致。这种情况同样发生于大多数免疫组化染色,特别是那些表达水平很重要的染色。
结论
先进的多参数成像应用和ML有可能将我们对肿瘤-机体相互作用的演进理解转化为更好的病人分层和新的治疗策略。计算病理学将有助于获得完整的、标准化和可重复的数据集,以促进免疫治疗反应的个体化预测。通过专业教育提高病理学人员的技能和通过专业协会对计算病理学的认识,对于满足最佳病人护理的未来临床需求是至关重要的。
原文出处:Koelzer VH, Sirinukunwattana K, Rittscher J. Precision immunoprofiling by image analysis and artificial intelligence. Virchows Arch, 2018 Nov 23. doi: 10.1007/s00428-018-2485-z
联系客服