2021-12-20

Cancer Res | 深度学习3D病理学辅助前列腺癌风险分层

原创 huacishu 图灵基因 2021-12-20 10:22

收录于话题#前沿生物大数据分析

撰文：huacishu

IF=12.700

推荐度：⭐⭐⭐⭐⭐

亮点：

1、作者开发了一个工作流程，用于对整个前列腺活检进行无损的3D病理学和计算分析，并使用快速廉价的标准H&E染色荧光类似物进行标记；

2、该分析基于可解释的腺体特征，并通过3D图像翻译辅助分割（ITAS3D）的开发而实现。ITAS3D是一种可推广的基于深度学习的策略，使组织微观结构能够以无注释和客观（基于生物标记物）的方式进行体积分割，而无需免疫标记。

美国华盛顿大学的Jonathan Liu教授课题组在国际知名期刊Cancer Res在线发表题为“Prostate cancer risk stratification via non-destructive 3D pathology with deep learning-assisted gland analysis”的论文。前列腺癌治疗计划在很大程度上取决于核芯针穿刺活检。前列腺的微观结构是病理学家进行预后分级的基础。通过对有限数量的2D组织切片进行目视检查来解释这些复杂的3D腺体结构通常是不可靠的，这会导致患者治疗不足或者过度。为了改进风险评估和治疗决策，作者开发了一个工作流程，用于对整个前列腺活检进行无损3D病理学和计算分析，并使用快速廉价的标准H&E染色荧光类似物进行标记。该分析基于可解释的腺体特征，并通过3D图像翻译辅助分割（ITAS3D）的开发而实现。ITAS3D是一种可推广的基于深度学习的策略，使组织微观结构能够以无注释和客观（基于生物标记物）的方式进行体积分割，而无需免疫标记。作为计算3D与计算2D病理学方法转换价值的初步证明，作者对从50份存档的根治性前列腺切除术标本中提取的300份离体活检进行了成像，其中118份活检含有癌症。根据临床生化复发（BCR）结果，癌症活检中的3D腺体特征优于相应的2D特征，用于低至中等风险前列腺患者的风险分层。本研究结果支持使用计算3D病理学指导前列腺癌的临床治疗。

基于多阶段特征的分类方法依赖于形态结构的精确分割，例如细胞核、胶原纤维、血管，或者前列腺。这通常通过以下两种方式之一实现：（1）直接基于深度学习的分割方法，需要手动注释的训练数据集，这在3D中特别繁琐且难以获得（图1a）；或者（2）基于强度和形态学的传统计算机视觉（CV）方法，前提是感兴趣的组织结构可以进行特异性染色/标记（图1b）。虽然免疫标记可以为传统的基于CV的分割提供高度的特异性，但由于抗体成本高，以及抗体在厚组织中扩散时间慢，因此对于临床3D病理学分析而言，免疫标记不是一种有吸引力的策略。为了应对这些挑战，作者开发了一种通用的无注释三维分割方法，以下称为“三维图像翻译辅助分割（ITAS3D）”。在具体实施的ITAS3D（图1c）中，前列腺组织的3D H&E模拟图像在外观上被合成转换，以模拟细胞角蛋白8（CK8）的3D免疫荧光（IF）图像，CK8是一种由所有前列腺的管腔上皮细胞表达的低分子量角蛋白，从而促进目标的实现，对腺上皮和腔空间进行分割。深度学习图像翻译算法使用生成对抗网络（GAN）进行训练，该网络以前用于2D虚拟染色应用。作为研究计算3D病理学价值的初步研究与计算2D病理工作相比，从10年前接受手术的50名患者的存档根治性前列腺切除术（RP）标本中提取了300份离体活检。使用廉价的小分子对活检进行染色H&E的荧光模拟物，通过简单的脱水和溶剂浸泡方案对活检组织进行光学清除，使其对光透明，然后使用开顶光片（OTLS）获取整个活检3D病理数据集的显微镜平台。然后使用ITAS3D分割前列腺腺体网络，从包含PCa的118个活检中提取3D腺体特征和相应的2D特征。评估这些3D和2D特征基于临床生物化学复发（BCR）的结果。

为了分割前列腺活检中的3D腺体网络，首先训练了一个基于GAN的图像序列转换模型，将3D H&E模拟图像转换为合成的CK8 IF图像，该图像类似于免疫组织化学染色（IHC）（图2a）。如前所述，CK8生物标记物由所有前列腺的管腔上皮细胞表达。图像转换模型以有监督的方式使用H&E类似物和CK8靶向单克隆抗体（mAb）荧光三标的前列腺组织的图像进行训练。如图2b的步骤1所示，对于整个活检H&E到CK8转换，首先细分3D活检（~1 mm×0.7 mm×20 mm）将数据集分成约1 mm×0.7 mm×1 mm（~1024 x 700 x 1024像素）模块。每个三维图像块被视为一个二维图像序列，作为深度学习的函数。在每个深度级别，从该级别的H&E模拟图像推断出合成CK8图像，同时利用来自前两个级别的图像（H&E模拟和CK8）以强制空间连续性作为深度学习的函数。在图2b的步骤2中，使用合成CK8数据集通过阈值算法分割管腔上皮细胞层。然后，利用上皮分割和细胞质通道可以分割由上皮层包围的腺体腔空间。

图3a中显示了良性和癌症区域的3D前列腺分割结果。虽然腺体可以由训练有素的观察者在H&E模拟图像上描绘，但腺体的自动计算分割仍然具有挑战性。在这里，作者证明了基于H&E模拟输入的3D图像转换产生合成CK8输出，其中管腔上皮细胞以高对比度和空间精度标记。进一步表明，这些合成CK8数据集允许对腺体上皮、管腔和周围基质组织进行相对直接的分割（图3a）。如图3a所示，来自各种前列腺癌亚型的腺体被成功分割，包括两种腺体模式，它们分别与低风险和中等风险相关。为了证明2.5D图像翻译策略与类似的2D图像翻译方法相比在深度方面的连续性得到了改善，图3b中显示了合成CK8数据集的垂直横截面图。虽然在2D图像平移中，明显的失真和不连续性被视为深度的函数，但2.5D图像序列平移的结果显示出最佳的深度连续性。水平之间的突然形态不连续在2D翻译中同样明显，但在2.5D翻译方法中则不存在。为了量化图像翻译方法的性能，计算了一个3D结构相似性（SSIM）度量，其中真实的CK8 IF数据集被用作基础真值。然后，作者比较了ITAS3D与两种常用方法的精度。需要注意的是未提供基于3D DL的基准方法，因为目前没有足够的3D注释前列腺数据集来训练端到端的3D 深度学习分割模型；同样，这也是开发无注释ITAS3D方法的主要动机之一。

由于大多数前列腺癌病例进展缓慢，对存档的前列腺切除标本进行了初步临床研究，以评估3D与2D腺体特征的预后价值。研究包括N=50名前列腺癌患者，他们在RP治疗后至少随访了5年（主要是低风险至中等风险患者）。在最初的研究中，大约一半的患者在RP的5年内经历了BCR，这使其成为研究的理想队列。随机选择25例在RP后5年内发生BCR的患者（“BCR”组）和25例在RP后5年内未发生BCR的患者（“非BCR”组）的一个子集。从每个病例对应的前列腺6个区域识别FFPE组织块进行活检程序（图4a）。接下来，从每个患者的6个FFPE组织块中提取模拟核芯针刺活检。活组织切片被脱蜡，用H&E荧光类似物标记，光学清除，并用最新开发的OTLS显微镜进行非破坏性成像。然后，从3D腺体分段和活检核心中心区域的单个2D水平计算组织形态计量学特征，然后根据其与BCR结果的关联进行分析。对于2D分析，总共3个水平的平均值如图4a所示，其中三个水平面相隔20微米。比较了多种3D和2D腺组织形态计量学特征。例如，当腺体变小或变得更不规则时，管腔和上皮之间边界是一个特征，这在侵袭性前列腺癌中常见。这可以量化为3D中物体的平均表面曲率，或2D中物体横截面圆周的曲率（图4b）。作为另一个示例（图4c），腺体与凸面外壳的比率（G/H）定义为腺体（上皮+管腔）的体积比（3D）或面积比（2D）除以包围腺体的凸面外壳。该G/H特征与腺体周围的不规则性或“波纹度”呈负相关（在腺体本身的尺度上，而不是精细的表面纹理上），通常预期随着前列腺癌的侵蚀而增加。对于各种3D和2D特征（图4d-4e），生成了受试者操作特征（ROC）曲线，以量化特征根据5年BCR结果对患者进行分层的能力。当比较类似的3D和2D腺体特征时，3D特征与2D特征相比，与5年BCR结果的相关性大大提高。图4b-4c（BCR组和非BCR组之间）所示3D特征的显著p值和ROC曲线下面积（AUC）（图4d-4e）说明了这一点。作者还提取了管腔网络的三维骨架，并量化了其分支参数。这里，“腺体骨架”被定义为一组线，这些线近似于各种腺体在三维空间中传播时的中心轴。由于腺体腔网络的复杂3D分支树结构，这些骨骼衍生特征没有直接的2D类似物。在图4f中，展示了骨架衍生特征的两个示例：平均分支长度和分支长度的方差。这两个特征与基于p值和AUC值的BCR结果相关（图4f–4g）。分析显示，侵袭性癌症（BCR病例）的分支长度较短，分支长度的差异较小，这与先前从2D组织学观察到的结果一致，即高级别前列腺癌中的腺体结构较小且更丰富。分支长度直方图显示绝大多数分支长度<200-μm，这表明标准前列腺活检直径（~1-mm）足以使整个活检3D病理学以合理的准确性量化前列腺癌分支长度。为了探索结合多种腺体特征的预后价值，使用逻辑回归模型进行基于3D和2D特征的选择和分类。结合12个非骨架3D特征（“3D非骨架模型”）的模型的ROC曲线得出的AUC值为0.80±0.05（平均值±标准偏差；图4h），远高于使用12个类似2D特征（“2D模型”）训练的模型的AUC值（0.65±0.06）。通过将5个骨架衍生特征添加到12个非骨架3D特征中，重新训练的3D多参数模型（“3D模型”）产生的AUC值略高，为0.81±0.05。使用仅基于3D特征（非骨架）或2D特征的多参数分类模型，根据5年的BCR结果将患者分为高风险组和低风险组，根据这些模型，为可获得复发时间（BCR）数据的一部分病例构建了无BCR生存率的Kaplan-Meier（KM）曲线（图4i）.

ITAS3D可用于提取和分析其他3D特征（例如，核特征、血管特征和基质特征），以开发基于多种组织类型的多形态的强大分类模型。无注释的ITAS3D分割结果，一旦有足够的数量，也可用于训练基于深度学习的端到端的分割方法，绕过ITAS3D内的图像转换步骤。在前列腺癌的背景下，基于独特的3D病理数据集，正在进行研究，以确定额外的3D预后特征。分析前列腺癌腺体特征的分层方法可能是有用的，例如首先识别广泛类别的腺体形态（例如筛状腺体），然后分析特定类别的特征，正如最近基于前列腺癌二维全幻灯片图像的研究所建议的那样。未来的研究还应致力于将计算3D病理学与患者数据（如放射组学、基因组学和电子健康记录）相结合，以开发整体决策支持算法。尽管如此，作为实现这些目标的第一步，本研究的结果（通过ITAS3D计算方法）提供了迄今为止最有力的证据，支持计算3D病理学在临床决策支持方面的价值，特别是对于低至中等风险前列腺癌患者。

教授介绍

Jonathan Liu博士于1999年获得普林斯顿大学机械工程学士学位，随后分别于2000年和2005年获得斯坦福大学机械工程硕士和博士学位。2005-2010年，他在斯坦福大学（MIPS）的分子成像项目（Molecular Imaging Program）担任博士后研究员，2010-2014年，他在Stony Brook University担任助理教授。刘博士目前是华盛顿大学的教授，他的分子生物光谱学实验室开发高分辨率光学成像和分析策略，用于手术指导和临床决策支持（精确医学）。Jonathan Liu是分子生物光子学实验室的主任，该实验室为改进疾病管理开发光学成像解决方案。特别是，正在开发定制光学切片（3D）显微镜设备和计算分析策略，用于早期癌症检测、精确医学（临床决策支持）和手术指导。这些项目利用了在生物医学光学、机器学习、光谱学、分子成像、机械和电气仪器、组织标记/清除以及临床前/临床翻译方面的多学科专业知识。

参考文献

Xie W, Reder NP, Koyuncu CF, et al. Prostate cancer risk stratification vianon-destructive 3D pathology with deep learning-assisted gland analysis. CancerRes. 2021;canres.2843.2021. doi:10.1158/0008-5472.CAN-21-2843