苏木精和伊红染色的全视野的数字化切片 / 全切片数字化图像whole-slide images (WSIs) 是癌症诊断的基础。近年来，在计算病理学中，基于深度学习方法的发展，实现了直接从全视野数字化切片WSIs预测生物标志物。然而，在精准肿瘤学中，将组织表型与大规模生物标记物联系起来，仍然是普及复杂生物标记物的关键挑战。
近日，德国 德累斯顿工业大学（Technische Universität Dresden）Omar S. M. El Nahhas，Jakob Nikolas Kather等，在Nature Protocols上发文，报道了病理学中，实体肿瘤关联建模solid tumor associative modeling in pathology (STAMP)实用工作流程，通过使用深度学习，直接从全视野数字化切片WSIs预测生物标记物。STAMP工作流程是生物标志物不可知的，并将遗传和临床病理表格数据与组织病理学图像一起作为额外输入。实验协议由五个主要阶段组成，已成功应用于各种研究问题：形式化问题定义、数据预处理、建模、评估和临床转化。STAMP工作流程的与众不同之处在于，专注于协作框架，临床医生和工程师都可建立计算病理学领域的研究项目。将STAMP应用于预测结直肠癌中的微卫星不稳定性microsatellite instability (MSI) 状态，显示了识别高全视野数字化切MSI肿瘤的准确性能。还提供了一个开源代码库，并且已在全球多家医院部署，用于建立计算病理学工作流程。![]()
From whole-slide image to biomarker prediction: end-to-end weakly supervised deep learning in computational pathology. 从全视野的数字化切片图像到生物标志物预测：计算病理学中的端到端弱监督深度学习。
![]()
图1: 实验协议的概念概述。
![]()
图2:从全视野的数字化切片 / 全切片数字化图像whole-slide images，WSI到患者水平生物标志物预测的计算工作流程。
![]()
图3: 计算病理学项目所需样本量的影响因素。
![]()
图4: 实体肿瘤关联建模solid tumor associative modeling in pathology，STAMP软件的定位。
![]()
图5: 评估阶段的预期结果。
![]()
图6: 翻译阶段的预期结果。
（小注：1全视野的数字化切片 / 全切片数字化图像（whole slide image，简称 WSI）通过全自动显微镜或光学放大系统扫描采集得到高分辨数字图像，再应用计算机对得到的图像自动进行高精度多视野无缝隙拼接和处理，获得优质的可视化数据以应用于病理学的各个领域 2微卫星不稳定性（Microsatellite Instability, MSI）是指在细胞的DNA中，一些特定类型的重复序列（称为微卫星）发生了异常的插入或缺失，从而导致这些微卫星区域的长度发生变化，形成了不同于正常细胞的新微卫星等位基因。）文献链接
El Nahhas, O.S.M., van Treeck, M., Wölflein, G. et al. From whole-slide image to biomarker prediction: end-to-end weakly supervised deep learning in computational pathology. Nat Protoc (2024).
https://doi.org/10.1038/s41596-024-01047-2
https://www.nature.com/articles/s41596-024-01047-2
本文译自Nature。
来源：今日新材料
声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
推荐阅读
病理干货 | 跟着《专家共识》细说MSI
专题讨论 精彩推荐│数字病理全组织切片图像在临床病理应用中的质量控制分析
