精准前沿丨使用深度学习方法探索乳腺导管原位癌免疫微环境特征

图2. IM-Net结构

图4. 使用CK5 IHC图像的DCIS识别验证

2. 基于深度学习的浸润淋巴细胞分布量化

为了描述形成DCIS微环境的免疫和基质细胞的空间分布的微环境，文章设计了一个算法流程。流程有两个步骤：1. 使DDRDIN算法，从H&E切片中获取单细胞识别。2.使用SCCNN算法对检测到的细胞进行分类。杜克大学队列中的专家的单细胞注释被用于训练、验证和测试，共包括来自12个WSI的11,412个细胞。其中，来自12个WSI的11,412个细胞用于训练，来自3个WSI的5207个细胞用于验证，来自3个WSI的5304个细胞用于测试。

3. 增加TIL和相邻DCIS的共定位

DCIS导管中TILs的空间变异性体现了表明其中的不同的生态学特征，这最终表明了侵袭性潜力。因此，这就需要定量的方法来量化空间的异质性，而不是只关注淋巴细胞的丰度。因此，为了描述单个DCIS的局部肿瘤生态学特征，本研究应用了一种空间统计学方法，即Morisita指数，来量化单个DCIS的局部肿瘤生态。Morisita指数广泛应用于生态学，通常用于检查空间重叠或共聚焦。Morisita指数为一个空间区域提供了一个单一的分数：高分表明两个空间变量，DCIS导管和TILs，倾向于处于同一个位置。而低分则表明TIL被排除在DCIS之外，或只集中在一部分导管中。文章将这种方法应用于杜克大学的数据集，以比较纯DCIS和毗邻侵入性成分的DCIS，作为预后较差的DCIS的替代物。研究比较了纯DCIS和邻近侵袭的DCIS导管的TILS和DCIS导管的共聚焦指数。纯DCIS样本中的TILS的数量中明显高于邻近DCIS样本，然而，Morisita指数在纯DCIS中低于邻近DCIS样本。

4. 在DCIS邻近侵袭区域的TIL表型

文章的数据表明在DCIS邻近样本中，淋巴细胞在数量上降低，但是更聚焦在DCIS导管内。越来越多的证据支持T细胞在DCIS预后的中的重要作用。为了测试相邻DCIS的共聚焦模式是否因T细胞亚群的不同而不同，文章在相邻肿瘤的IHC数据集中用CD4、CD8和FOXP3细胞评估了DCIS免疫共聚焦的数量、比例和DCIS免疫共聚焦。在自动识别细胞后，如上所述，文章将浸润区与DCIS区分开，并计算每个区的细胞百分比，以及每个免疫细胞亚群与DCIS之间的共聚焦得分。

在DCIS区间内，CD8⁺细胞与DCIS导管上皮组织的共聚焦分数明显高于CD4⁺和FOXP3⁺细胞，表明CD8⁺细胞与DCIS导管的共定位更好，可能反映了免疫激活状态。然而，尽管在两个区间的数量相进，CD8⁺细胞与浸润性区域的共同定位明显少于CD8⁺细胞与DCIS导管的共同定位。相比之下，CD4⁺或FOXP3⁺的细胞在不同区域的共聚焦模式没有区别。侵袭性区间可以进一步描述为有更多的CD4⁺细胞和CD4/CD8的比例高于DCIS区段。这些数据表明侵袭性癌细胞的免疫抑制功能，特别是对CD8的免疫抑制，尽管在导管区域内CD8⁺细胞的免疫识别和共聚焦分数增加。

讨论

临床结果和入侵倾向在DCIS病例中存在很大的差异性。开发可靠的标记物，以确定DCIS患者是否有可能走良性发展道路，识别出可能从治疗中受益的DCIS患者是临床护理中一个未满足的要求。

为了提供先进的工具来识别单个DCIS与其局部免疫微环境之间的相互作用，本研究开发了一个多阶段的深度学习框架UNMaSk，集成了组织分割、DCIS分割、单细胞检测、分类和空间分析。

本研究缺乏高维度的免疫组化标志物来划分更多的TILs亚型。除了CD4/CD8/FOXP3之外，TILs的其他关键细胞类型，如巨噬细胞、B细胞以及肿瘤生态系统中与癌症相关的成纤维细胞。并且，二维数据并不能完全表达3D的导管结构，UNMaSK知识提供了二维的，有噪音的临床常规样本的处理方法和建模方法。未来研究可以专注于纵向和三维采样，以更好地了解TIL分布的空间异质性。

从DCIS到IDC的连续过程中，免疫反应和免疫学改变的演变情况知之甚少。作者设想，未来的机会将包括把文章的深度学习方法推广到其他类型的组织学图像，如免疫组化法来定义DCIS周围的免疫细胞亚群。围绕DCIS的免疫细胞亚群，调查在检测到的DCIS中调查形态和结构细节，解释DCIS的类型，并与可能推动进展的基因组整合，并在大型患者队列分析中进行扩展。UNMaSk的一个潜在的新用途是作为筛查DCIS的一部分，如DCIS的空间基于自动组织学图像分析的免疫评分等。这有可能进一步帮助研究患者病情进展的风险分层，并最终改善个性化的临床护理。

结语

综上所述，研究提出了一个新的深度学习流程UNMaSk，用于DCIS的自动检测和分割。并且，本研究对三个不同的队列进行了综合评估实验，使用专家注释和生物免疫组化染色，并与最先进的卷积网络进行比较。文章的研究表明，深度卷积神经网络和数字病理学方面的技术发展可以实现DCIS的自动形态学和微环境分析，为研究个别导管的不同免疫生态提供了一种新的方法，为DCIS的定量分析和患者分层起到了重要作用。 END