利用中美冠科数据库,快速查找所需模型
OncoExpress|HuBase|XenoBase|MuBase

博客

数字病理学

2020-07-24

  •  
  •  
  •  

探索数字病理学及其被用于生物标志物发现的方式,特别是在免疫肿瘤学内。

改进病理学实践的需要

新技术和新方法正持续推动着医疗领域中的创新,包括在病理学领域中的创新。尽管人们通常认为,病理报告是诊断许多疾病的金标准,但人们也普遍认可,病理学家对组织样本的解释存在着差异性。这主要是由于人为错误和主观性所导致,因此致使对患者做出的结论并不准确。

为了克服这一挑战,现代病理学实践正在向日益数字化的工作流程迈进。这为病理学家整合了工具,用于减少工作量、人为错误和主观性。这样就可以更好地得出与疾病(特别是癌症)相关的诊断、预后和预测因素(如生物标志物)的结论。

在这篇文章中,我们探讨了什么是数字病理学,以及它被用于生物标志物探索和发现的方式,特别是在免疫肿瘤学(I/O)的背景下。

数字病理学及其应用

在最广泛的层面上,数字病理学的概念包括利用数字技术捕获、共享和解释病理学信息。这个过程首先通过扫描设备对载玻片进行数字化。扫描设备会产生高分辨率的图像,并显示在电脑屏幕上。

随后,使用经过训练的 人工智能(AI)算法(依赖于机器学习(ML)和/或深度学习(DL)的使用),以客观的方式高速且高分辨率地分析数字切片,以便协助病理学家的工作。AI算法能够量化一些常见的指标,包括:

  • 总生物标志物染色面积
  • 细胞水平生物标志物阳性
  • 亚细胞生物标志物定位
  • 生物标志物共表达
    • 对象量化(如微血管)
    • 组织分类
    • 细胞密度、生物标志物/细胞邻近/距离分析和最近邻距离

此外,图像搜索能力是数字病理学工作流程的一个主要优点。通过初步诊断的计算“共识”,搜索图像将新患者病理与先前已诊断和已编策的病例进行匹配的能力提高了诊断的准确性。

在下文中,我们将对数字病理学被用于疾病诊断和预后以及用于生物标志物研究的方式予以说明。

诊断

数字化病理切片最广泛的应用之一是增强病理诊断。诊断AI算法 利用图像分析来搜索形状、特征或模式。在某些情况下,与人类病理学家相比,AI的表现相同或更好,包括在复杂且依赖于分级方案的癌症诊断中。这些诊断不同于基于肿瘤检测的诊断,后者在很大程度上是一个二元决策(即基于组织样本中是否存在癌细胞)。

总的来说,AI的进步为新工具的出现铺平了道路。这些新工具可对病理学家的工作起到补充作用,使他们的工作更加准确,同时减少负担。

预后

预后AI算法在患者预后中发挥着重要作用。例如,特定生物标志物评估(如某些癌症类型中的Ki67抗原)很重要,因为它与病程相关。研究者已设计出具有惊人准确度的算法,以便量化Ki67染色组织数据集。它被用于减少病理学家的工作量,其表现相同或更好。

预后算法也被用于评价来自大型数据集的图像,以便发现与临床病程相关的新预测和预后参数

生物标志物分析

生物标志物探索和发现方面,数字病理学是一个有价值的工具。例如,AI算法使研究人员能够在大型组织样本数据集内分析经免疫组织化学和/或荧光标记的生物标志物的密度和分布。

然后,这些数据可与不同的参数相关联,目的是对患者进行分层,以便:

  • 开发包括伴随诊断在内的精准医疗方法
  • 开发更好的预后模型
  • 提供对耐药性以及其他可能性的洞察

总的来说,数字病理学为生物标志物的发现和利用提供了新机会,这在以前是不可能实现的。

用于生物标志物评估的数字成像平台

可使用各种数字成像平台进行生物标志物定量评价,每个平台都具有自己的一套能力。下文中列出了一些解决方案:

  • Ventana Companion Algorithm,评价乳腺生物标志物(如ER、PgR、HER2、Ki67和P53),并支持抗体测定。

  • Tissue Phenomics® (AstraZeneca),将其引入I/O中的临床程序,以支持生物标志物识别。

  • Aperio Digital Pathology (Biosystems),是一个集成了数码显微镜与图像分析软件的平台

  • HALO (Indica laboratories),提供设计主要用于研究目的的定量组织分析的免疫组织化学和荧光模块。

  • QuantCenter (Sysmex),设计用于数字全切片量化过程,并提供了一些用于组织分类、免疫组织化学定量和分子病理学的模块。

  • Cognition Master Professional Suite (VMscope),可集成至实验室信息管理系统中,提供对多个生物标志物(如Ki67、ER、PgR、CD3/4/8/15/20)、肿瘤浸润淋巴细胞和血管狭窄进行评分的模块。

  • TissueGnostics,提供用于乳腺癌生物标志物临床和研究评价的图像分析解决方案。

  • VirtualDualStaining™ (Visiopharm),将经细胞角蛋白染色的肿瘤连续切片与研究中的经免疫组织化学染色的生物标志物进行比对,从而实现对肿瘤区域的自动识别。

除这些商业平台以外,还存在一些开源平台。ImageJ是第一批用于图像分析的工具之一,由NIH开发。它提供了形态学参数,广泛用于生物医学图像分析。

另一个开源平台名为CellProfiler,提供基于经监督机器学习的分类,以执行基于成像的诊断。最后,QuPath特别注重于数字病理学和全切片图像分析,并提供了全切片图像的基于未监督机器学习的细胞检测和经监督分类、肿瘤识别和高通量生物标志物评价。自2017年首次发布以来,该工具以来受到了研究界的欢迎,并在经同行评议的出版物中大量引用。

免疫肿瘤学中的数字病理学

I/O和AI的同时兴起,引发了人们对数字病理学的浓厚兴趣,因为它在I/O生物标志物探索和发现研究中具有较高的应用价值。病理特征定义了肿瘤免疫微环境,复杂性较高,具有蛋白质、细胞和/或形态测量标志物。这超出了一个典型人类病理学家能够合理分析的范围,尤其是当面对数量庞大的切片时。

通过采取数字病理学方法,可以以绝对或相对的方式在整个切片和/或相关区域内以及在单个切片内或多个连续切片间,有效地进行分析。通过数字方法,还可以进行多组学分析。其中,一些平台针对蛋白质和核酸提供了一种通用格式的靶向条形码标签,从而实现对靶点去卷积和量化的计算分析。

有趣的是,I/O同时推动了数字病理的新临床应用。例如,考虑到许多不同的因素均可影响PD-L1的表达,通过评估PD-L1对使用检查点抑制剂的治疗(即选择对治疗更有反应的患者)进行指导变得越来越复杂。这些因素包括所使用的测定和抗体克隆类型、评分截止点、患者之前服用的药物、样本自身的固有性质以及其他可能因素。

在这种背景下,数字病理学提供了自动化进行这些分析能力,目的是减少主观性和人为错误。未来,数字病理学的进展可能包括从染色切片中收集临床相关信息,从而在无需验证新生物标志物或测定结果的情况下进行伴随诊断。

在I/O和AI同时进步以及数字病理学发展的支持下,多重空间组织分析(MSTA)实现了对肿瘤微环境(TME)的详细评价。MSTA是指用于评估组织样本内多个生物标志物(蛋白质和/或核酸标志物)特定位置的方法。这通常限于3-5个免疫组织化学蛋白质标志物和7-9个免疫荧光标志物。

一些新方法,如多循环染色剥离/淬灭/回收法、可光解条形码和空间定义的紫外线辐照,或金属或同位素标记抗体的激光/离子束消融,与数字方法相结合,释放了MSTA的潜力。目前,这项技术能够同时评价数十个至一千个核酸和/或蛋白质标志物(在相关区域中),同时保留一些空间背景。一些平台甚至可以在近单细胞水平下评估空间全RNA转录组。

MSTA平台的提供商众多,所提供的产品在质量标准和功能方面各不相同。一些平台及其生产商包括(非详尽列表):

  • GeoMx DSP (NanoString)
  • MultiOmyx (NeoGenomics)
  • Phenoptics, CODEX (Akoya Biosciences)
  • MACSima (Miltenyi)
  • Cell DIVE (GE Life Sciences)
  • RNA-Scope (Advanced Cell Diagnostics)
  • UltraPlex (Cell IDx)
  • Zellkraftwerk (ChipCytometry)

目前,MSTA的使用主要集中于转化研究(如生物标志物发现、制药研发、临床试验)和潜在临床应用(如临床和伴随诊断)。近期,一篇发表于《美国医学会杂志-肿瘤学卷》的系统评价和荟萃分析提供了令人信服的证据表明,与肿瘤突变负荷(TMB)、基因表达谱(GEP)、Simple Plex PD-L1 IHC及其复合方法等其他伴随诊断类型相比,多重免疫组织化学/免疫荧光在评估PD-1/L1检查点阻断反应方面具有更好的诊断准确性。  

结论

数字病理学在疾病(特别是癌症)的诊断、预后和预测因素(如生物标志物)识别方面发挥着越来越重要的作用。数字病理学是有利于病理学家工作的新工具,它可以更好地探索和发现生物标记物,这是更广泛地采用可改善患者预后的个体化医疗护理的关键。

Topics: Blog, Oncology

关注微信公众号