首页 > 文章详情

当AI遇上IMC，携手识别非小细胞肺癌中的肿瘤细胞、基质和免疫细胞

08月07日

整理：肿瘤资讯

来源：肿瘤资讯

人工智能（AI）正日益成为病理诊断的重要工具，不断优化肿瘤的诊断流程。肿瘤是复杂的多方面生态系统，可通过临床、影像、超声和检验等技术手段从解剖、组织、细胞和分子等多层面研究癌症。高倍显微技术在肿瘤的免疫生态系统分析中广泛应用，进一步推动了肿瘤研究和诊断的进展。成像质谱流式（IMC）就是这样一种融合了质谱、高分辨激光消融、免疫组织/细胞化学的新技术，以独特的高维视角全面、精准地描绘组织和肿瘤微环境中复杂的表型、信号通路、肿瘤免疫的相互作用。当AI遇上成像质谱流式（IMC）会碰撞出怎样的火花？

AI辅助病理诊断结合IMC识别肿瘤细胞

来自意大利的研究人员将人工智能辅助病理诊断技术和IMC相结合，分析非小细胞肺癌（NSCLC）的生态系统，旨在通过NSCLC肿瘤微环境（TME）的分类揭示在不同组织学类型的肺癌以及同一肿瘤的不同区域之间免疫浸润程度是否存在广泛差异。研究者对 158 个 NSCLC 标本采用基于AI的苏木精和伊红染色（H&E）分析，准确识别出肿瘤细胞（腺癌和鳞癌），并生成肿瘤细胞空间聚类分类器。用金属元素标记的特异抗体对连续的组织切片进行染色，并通过 IMC 工作流程进行处理，从而可以定量检测与肿瘤细胞、组织结构、CD45+ 髓系和淋巴样细胞以及免疫激活相关的 24 种标记物。

研究者首先使用 Stardist（一种基于公共预训练的深度神经网络模型）检测单个细胞（图 1A），然后通过在 QuPath 中从头训练的基于机器学习的分类器鉴定肿瘤细胞（图 1A）。为了确认AI工具在细胞检测中的准确性，研究者使用甲状腺转录因子-1（TTF-1）和p40（两种常见的肿瘤标志物）对连续切片进行染色，这两种常见的肿瘤标志物分别用于诊断腺癌和鳞状细胞癌（SCC）（图1B）。在腺癌（图1B，上）和鳞癌（图1B，下）亚型中，数字工具准确地识别了肿瘤标志物染色呈阳性的细胞。此外，该工具无法识别正常非肿瘤肺组织中的上皮细胞（图1C，上图），也无法识别肿瘤周围肺组织中的正常上皮细胞（图1C，下图）。该工具在不同的组织学模式中得到证实（图 1D）。

图片8.png 图1

AI辅助病理诊断结合IMC识别基质和免疫细胞

除癌细胞外，根据谱系标记物的表达，可以识别出九个细胞群。在免疫细胞中，有表达CD68和CD163的巨噬细胞（Mφ）、CD8+ T细胞、CD4+ T细胞、调节性T细胞（Treg）、B细胞和增殖的Ki67+免疫细胞（图2B）。基质中包括 αSMA+ 细胞、成纤维细胞（表达较低水平的 αSMA 和高水平的波形蛋白）和血管（图2B）。为了研究免疫生态系统如何根据空间组织分布而变化，研究者将每个样本分为两个区域：肿瘤巢（Pan-cytokeratinpos）和基质（Pan-cytokeratinneg；图2C），并研究了这两个区域内的肺肿瘤免疫生态系统。分析的所有免疫群体（即 Mφ、CD8+ T 细胞、CD4+ T 细胞、Treg 和 B 细胞）的比例在两个组织区域内存在显著差异，即基质中的密度高于肿瘤中的密度（图2D）。巨噬细胞在基质和肿瘤巢中都是最丰富的种群，约占这两个区域组织白细胞的50%（图2D）。为了探究不同巨噬细胞群体的浸润是否与肿瘤细胞的分布相关，研究者根据 11 个表型标记物（CD68、CD63、HLA-DR、CD14、CD16、CD163、C1Qa、CCR4、波形蛋白、S100A8、精氨酸酶-1）的阳性表达和强度对巨噬细胞进行了重新聚类，从而识别出20个不同的簇（E）。虽然一些簇在UMAP上占据了明确的位置，但其中表达高水平谱系标记（Mϕ、CD68hi Mϕ、CD14hi/CD16hi Mϕ 和 CD163hi Mϕ）的巨噬细胞群体彼此接近且重叠，这表明它们可能代表了处于不同成熟状态的同一群体（图2F），这与既往通过转录组数据轨迹分析获得的证据相一致。通过UMAP可视化簇与组织位置的关系（图2G），表达S100A8和精氨酸酶-1的簇（c15、c16、c2、c17）在肿瘤巢和间质中的分布相当（图2G和H），与基质中明显更丰富的其他簇形成鲜明对比。这一结果证实了具有不同特征的巨噬细胞占据了不同的拓扑位置。

图片9.png 图2

肿瘤细胞的空间分布与适应性免疫细胞浸润肿瘤的能力显著相关

为了评估细胞外基质对NSCLC中免疫细胞分布的影响，研究者利用胶原蛋白I信号对组织注释进行了细化。胶原蛋白在样本中的分布呈现异质性，有些区域几乎完全被胶原蛋白覆盖，而其他区域则含有非常少量的胶原蛋白（图3A）。根据样本的纤维化程度将其分类为高度纤维化或低度纤维化，结果显示在高度纤维化的样本中免疫细胞的频率更高，而肿瘤细胞在低度纤维化的样本中更为常见（图3B）。胶原蛋白区域的扩展与肿瘤K评分或簇的半径均无相关性（图3C），表明肿瘤细胞的聚集方式与纤维化间质的存在无关。值得注意的是，与低度聚集样本相比，高度聚集样本中的免疫细胞百分比更高（Mann-Whitney检验P = 0.0488；图3D）。这种差异主要是由于适应性细胞引起的。实际上，在高度聚集样本的间质区域中，CD8+ T细胞、B细胞和调节性T细胞的密度显著更高（Mann-Whitney检验P < 0.05；图3E和F）。总体而言，通过AI驱动的H&E和IMC对肿瘤和免疫生态系统的配对分析表明，肿瘤细胞的空间分布与适应性免疫细胞浸润肿瘤的能力显著相关。

图片10.png 图3

复合分类器具有预后价值

全片数字化图像（WSI）是数字图像在医学领域的一项重要应用，它通过将整个病理切片转化为数字图像，使医生和研究人员不再需要依赖传统的显微镜来查看组织切片，而是可以在计算机屏幕上以高分辨率进行观察，这不仅提高了诊断的准确性，还加快了病理学研究的进程。研究者将基于H&E的肿瘤分类和基于IMC的免疫分类相结合，形成一个复合分类器，利用复合分类器进一步对50例NSCLC患者的H&E染色WSIs进行了分析，证实了这一分类器的可行性。由于通过AI驱动的H&E和IMC对肿瘤和免疫生态系统的配对分析已经指出T细胞的分布与肿瘤分布相关（图3E和F），研究者旨在利用机器学习分类器提取与T细胞相关联的特征，以识别H&E切片中的T细胞。该数字工具预测了H&E切片上的T细胞密度，并根据它们在肿瘤或肿瘤周围区域的偏好位置，将每个样本分类为免疫沙漠型、免疫排斥型或免疫炎症型（图4E和F），这是一种常见的免疫分类，对不同肿瘤类型的预后具有重要价值。免疫炎症型患者与免疫排斥型相比，预后更好（图4G；Mantel-Cox检验P = 0.064）。将肿瘤分类器与免疫分类器结合使用，与被分类为免疫排斥型/Klo（即同时具有免疫排斥和低度聚集肿瘤）的患者相比，被分类为免疫炎症型/Khi（即同时具有炎症和高度聚集肿瘤）的患者的预后明显更好（图4H；Mantel-Cox检验P = 0.046）。此外，免疫炎症型/Khi的患者复发率显著降低（图4I）。这些结果证实了配对H&E和高通量方法可以提供具有临床相关性的复合分类器。

图片11.png 图4

参考文献

Alessandra Rigamonti ,et al.Integrating AI-Powered Digital Pathology and Imaging Mass Cytometry Identifies Key Classifiers of Tumor Cells, Stroma, and Immune Cells in Non–Small Cell Lung Cancer.Cancer Res. 2024 Apr 1;84(7):1165-1177. doi: 10.1158/0008-5472.CAN-23-1698.

审批编号：CN-139914
过期日期：2024-8-31

责任编辑：肿瘤资讯-Yuno
排版编辑：肿瘤资讯-Wendy

08月13日

王蕾

江阴市远望医院 | 内科

好好学习天天向上

08月10日

刘海燕

丹东市人民医院 | 肿瘤内科

全片数字化图像（WSI）是数字图像在医学领域的一项重要应用，它通过将整个病理切片转化为数字图像，使医生和研究人员不再需要依赖传统的显微镜来查看组织切片

08月08日

郑小丽

焦作市第二人民医院 | 放射治疗科

好好学习天天向上