【医学AI顶刊·05-22速递】探索癌症预后的新方向：AI与三级淋巴结的结合

今天分享的文章围绕的主题是肿瘤免疫治疗的热点——。关于这个方向，我之前仔细分析过广东省人民医院的一篇文章，感兴趣的同学可以去看一下。

探索癌症预后的新方向：H&E图像中的三级淋巴结密度

以上六篇文章中，前五篇属于医工结合的文章，偏重讲述，最后一篇文章则是听完故事以后，给你提供一个实现故事的解决方法，并且是可以减少医生工作量的。从明天开始，我将暂停文献速递的分享，把精力全部投入到这六篇文章的仔细分析中。

交流群

欢迎大家来到【医学AI】交流群，本群设立的初衷是提供交流平台，方便大家后续课题合作。

公众号发表的文章会分享到群里，学术会议和比赛也会不定期分享，欢迎组队参与和线下交流！！

最后再介绍一下小罗自己：课题组位于广州，专业方向是，研究内容主要是，目前已借助自媒体与、、、、、等院校的课题组建立了联系，欢迎更多的人加入我们的队伍！！

这篇文章是关于（Tertiary Lymphoid Structures, TLS）在肿瘤免疫中的作用和其在临床应用中的前景的综述。

文章首先介绍了的基本概念，它们是类似二级淋巴器官（Secondary Lymphoid Organs, SLOs）的免疫细胞群聚体，具有相似的功能。在大多数癌症类型中通常与抗肿瘤免疫反应相关，但有时也表现为促肿瘤免疫反应。功能的异质性主要由（Tumor-Infiltrating Lymphocytes, TILs）的组成以及肿瘤相关TLS（Tumor-Associated Tertiary Lymphoid Structures, TA-TLS）中细胞亚群的平衡决定。TLS的成熟度、密度和位置的不同可能对肿瘤免疫产生相反的效果。成熟度和/或密度较高的TLS通常与有利的临床结果和免疫治疗反应相关，这主要是由于TA-TLS中不同免疫细胞亚群之间的交流。

文章进一步讨论了的成熟TLS的形成和特征，包括TLS的组成、TLS的形成和成熟过程，以及TLS内免疫细胞的相互作用如何促进抗肿瘤免疫。TLS的形成和成熟依赖于不同细胞类型之间的复杂配体-受体相互作用，包括先天淋巴细胞、基质细胞、内皮细胞和B细胞。成熟的与癌症中的积极抗肿瘤免疫反应有关，但在癌症免疫景观中的作用是多样的，并非所有都积极参与对抗癌症的免疫反应。TLS的成熟是一个多阶段过程，其特征是不同的结构和功能阶段。

文章还探讨了作为肿瘤预后生物标志物的潜力，以及用于TLS检测和定量分析的当前常规方法。研究者们正在探索结合成像特征和先进的学习模型以及数字病理学来增强TLS的可视化。此外，文章还讨论了在体内诱导TLS的临床前策略及其应用前景，包括使用细胞因子或趋化因子、化疗、放疗、癌症疫苗和免疫检查点阻断（ICB）治疗等方法。

最后，文章总结了在肿瘤免疫中的双重作用，即所谓的“双刃剑”效应，这可能更依赖于TLS中不同免疫细胞亚群的比例。文章强调了未来TLS发展的两个主要方面：

• 一是解决TLS异质性带来的量化和评估困难；
• 二是有效诱导肿瘤中TLS的发生和成熟。

文章提出，通过结合特定的TLS标记、成像技术和人工智能在组织病理学中的应用，可能为TLS的检测和定量分析开辟新途径。此外，使用新型生物材料等复杂技术来生成可诱导的TLS正在被探索，并在临床前模型中显示出非常有希望的结果。然而，将这些技术工具转化为临床实践仍然需要解决组织安全性、成本控制和选择合适的人体化体内模型等问题。这对于指导TLS在免疫治疗和预后中的进一步精准和效率至关重要。

Fig. 1 描述了第三级淋巴结构（TLS）的形成过程、成熟阶段和在体内的定位。

(a) TLS 的初始形成过程：

• 在炎症发生的地方，促炎分子和趋化因子的局部累积可以招募淋巴组织诱导（LTi）细胞。
• LTi 细胞与局部淋巴组织组织者（LTo）细胞相互作用，启动多种细胞因子（如 IL-7、IL-17 和 RANKL）和细胞因子受体（如 IL-7R、IL-17R 和 RANK）的表达，从而开始 TLS 的发展。
• 许多免疫细胞可以取代 LTi 细胞，例如 T 辅助 17（Th17）细胞、CD8+T 细胞、B 细胞、M1 型极化的巨噬细胞、先天淋巴细胞-3（ILC3）和自然杀伤细胞。
• 同样，癌症相关的成纤维细胞（CAF）、血管平滑肌细胞（VAMC）和脂肪细胞可以取代 LTo 细胞。
• 淋巴毒素 α1β2（LTα1β2）与淋巴毒素 β 受体（LTβR）结合，这一信号通路促进血管内皮生长因子 A（VEGFA）和血管内皮生长因子 C（VEGFC）的分泌，以促进高内皮细胞（HEV）的发展。
• 该通路还可以促进用于招募免疫细胞的粘附分子的分泌，如血管粘附分子 1（VCAM 1）、细胞间粘附分子 1（ICAM1）和粘膜血管地址素细胞粘附分子 1（MADCAM 1）以及趋化因子（CCL19、CCL21、CXCL12 和 CXCL13）。
• 这些趋化因子诱导淋巴细胞上的 LTα1β2 表达，从附近的 HEVs 招募淋巴细胞进入 TLS，并形成 T 细胞和 B 细胞区域。

(b) TLS 的成熟阶段：

• TLS 的成熟经历三个阶段的演变。
• 从松散的淋巴细胞聚集体发展到带有巨噬细胞和树突细胞（DCs）的 T 细胞和 B 细胞初级滤泡，
• 到包含生发中心（GCs）、宿主细胞、高内皮细胞（HEVs）和淋巴管（LVs）的成熟极化结构。

© TLS 在体内的定位：

• TLS 在人体的定位包括基质内、肿瘤周围和肿瘤内部。
• 图中还提到了一些细胞因子的缩写，例如 IL-7（白细胞介素-7）、RANK（核因子 κB 受体激活剂）、RANKL（核因子 κB 配体受体激活剂）、CCL19（C-C 基序趋化因子 19）、CXCL12（C-X-C 基序趋化因子 12）。

总的来说，Fig. 1 展示了 TLS 发展的动态过程，从最初的炎症反应和免疫细胞的招募，到成熟结构的形成，以及它们在人体内的不同位置，这些位置可能与它们在免疫反应和疾病中的作用有关。

二级淋巴器官（Secondary Lymphoid Organs, SLOs）VS 三级淋巴结构（Tertiary Lymphoid Structures, TLS）

1. 例子：

   • SLOs：脾脏、区域淋巴结、Peyer氏斑、孤立淋巴滤泡（ILFs）、扁桃体和鼻腔相关淋巴组织（NALT）。
   • TLS：通常与慢性感染、自身免疫疾病、移植排斥和癌症相关。

2. 起源：

   • SLOs：在胚胎发育期间形成。
   • TLS：在出生后形成，通常与特定病理条件相关。

3. 诱导和发展：

   • SLOs：涉及淋巴组织组织者（LTo, FAP+podoplanin+, LTβR+）、淋巴组织诱导器（LTi）、内皮细胞和视黄酸。
   • TLS：涉及LTo（FAP+podoplanin+, LTβR+）、ILC3/LTi、内皮细胞、NKT、Th17、慢性炎症、细胞因子（如淋巴毒素LT、肿瘤坏死因子TNF、LIGHT、IL-17）和趋化因子（如CXCL13, CCL19, CCL21）。

4. 位置：

   • SLOs：位置相对固定，不会改变。
   • TLS：位置可变，可在非淋巴器官或组织部位形成。

5. 结构：

   • SLOs：具有明确的B细胞和T细胞区域、高内皮细胞（HEVs）和淋巴管。
   • TLS：结构可变，从混合的T细胞和B细胞到具有T细胞和B细胞区域的结构，也包含HEVs和淋巴管。

6. 被膜：

   • SLOs：具有明确的被膜。
   • TLS：很少或没有明确的被膜。

7. 自我耐受：

   • SLOs：维持自我耐受。
   • TLS：自我耐受可能受到干扰，可能导致自身抗体的产生。

8. 持久性：

   • SLOs：通常是永久性的，但可以崩溃。
   • TLS：通常是暂时性的。

这些特点突出了SLOs和TLS在发育、结构、功能和病理学上的不同。二级淋巴器官是免疫系统组织化和功能的关键部分，而三级淋巴结构则是在特定病理条件下形成，可能与慢性炎症和免疫反应的局部调节有关。这种比较有助于我们理解这两种淋巴结构在健康和疾病中的不同作用和重要性。

Fig. 2 描述了第三级淋巴结构（TLS）在肿瘤免疫中的双重作用，包括它们在促进和抑制肿瘤生长中的潜在角色。

(a) TLS中的抗肿瘤免疫效应：

• 在TLS的生发中心（GC）内，生发中心B细胞（GC B cells）在接受到来自滤泡树突细胞（FDCs）的抗原传递并与T滤泡辅助细胞（Tfh）相互作用后，分化为记忆B细胞和浆细胞（PCs）。
• 在T细胞区域，分化的B细胞和树突细胞（DCs）向效应T细胞呈递抗原肽，促进效应T细胞浸润到肿瘤床。
• 浆细胞沿着成纤维细胞的轨迹进入肿瘤床，并产生抗肿瘤IgG抗体。
• 在肿瘤中，记忆B细胞可以通过表达肿瘤坏死因子相关凋亡诱导配体（TRAIL）或释放颗粒酶B来破坏肿瘤细胞。
• 自然杀伤（NK）细胞和巨噬细胞上的Fc受体可以与抗肿瘤抗体的恒定区结合，并通过抗体依赖性细胞介导的细胞毒性（ADCC）或抗体依赖性细胞介导的吞噬作用（ADCP）来破坏肿瘤细胞。

(b) TLS中的肿瘤促进效应：

• IgA浆细胞与分泌抑制性细胞因子相关，这些因子创造了一个免疫抑制环境，有利于M2型巨噬细胞、髓源性抑制细胞（MDSC）、调节性T细胞（Treg）和B调节细胞（Breg）的出现，同时抑制效应T细胞的功能。
• Th2细胞分别产生IL-4和IL-13，这些细胞因子通过增加表皮生长因子的表达促进肿瘤进入循环系统，并通过增加MDSC产生的TGF-β间接抑制效应T细胞的功能。
• 巨噬细胞上调PD-L1以在ADCP后支持局部免疫抑制。
• 巨噬细胞产生的补体成分1q（C1q）与覆盖IgG的肿瘤细胞结合，激活经典补体级联反应，促进肿瘤生长和血管生成。
• B细胞也产生VEGF，促进血管生成。

总的来说，Fig. 2 展示了TLS在肿瘤免疫中的复杂作用，它们可以通过多种免疫细胞的相互作用来促进抗肿瘤反应，同时也可能通过创造免疫抑制环境来促进肿瘤生长。这种平衡可能取决于多种因素，包括肿瘤类型、微环境和免疫细胞的特定表型。了解这些机制对于开发针对肿瘤微环境中TLS的免疫治疗策略至关重要。

Fig. 3 描述了对第三级淋巴结构（TLS）进行定量分析的不同策略，这些策略可以帮助将TLS作为癌症检测和免疫反应的预测标志。

1. H&E染色：传统的组织病理学染色方法，可以用来在组织切片中识别和量化TLS。

2. 多重免疫组化（mIHC）：一种可以同时检测多种抗原的技术，有助于更详细地分析TLS中的不同细胞类型和结构。

3. 激光捕获显微切割（LCM）：这项技术允许研究人员从组织切片中精确地切取特定区域，如TLS，以进行进一步的分子分析。

4. 空间转录组学：这是一种新兴技术，可以在单细胞分辨率下分析组织切片中的基因表达，有助于理解TLS在肿瘤微环境中的空间组织。

5. 流式细胞术：这是一种用于分析细胞表面标志物和细胞内分子的技术，可以用来量化TLS中的免疫细胞。

6. 纳米材料：纳米技术的应用可以提高成像的灵敏度和特异性，纳米探针可以用于增强某些成像技术，如CT扫描，以更好地检测TLS。

7. 人工智能（AI）：AI算法可以处理和分析来自各种成像技术的数据，提高TLS检测的效率和特异性。

8. 非侵入性成像：结合纳米探针的CT和/或成像技术，可以实现对TLS的非侵入性检测。

9. 成像信息分析：通过AI算法对成像信息进行进一步分析，可以提高TLS检测的准确性，帮助临床医生做出更准确的诊断。

Fig. 3 展示了一个多学科交叉的研究领域，其中结合了传统的病理学技术、先进的生物技术和现代的成像及计算方法。这种综合方法有助于更全面地理解和量化TLS在癌症发展和免疫反应中的作用，为癌症的早期检测、治疗反应监测和预后评估提供了新的工具和策略。随着这些技术的进步，未来的癌症诊断和治疗可能会变得更加个性化和精准。

Fig. 4 描述了在小鼠和癌症患者中诱导第三级淋巴结构（TLS）的不同方法和未来展望。

1. 细胞因子和趋化因子：

   • 使用细胞因子（如IL-7、IL-17和RANKL）和趋化因子（如CCL19、CCL21、CXCL12和CXCL13）可以直接或间接促进TLS的形成。

2. 化疗：

   • 某些化疗药物可能通过减少肿瘤负担和改变肿瘤微环境来促进TLS的形成。

3. 放疗：

   • 放疗可能通过诱导肿瘤细胞死亡和释放抗原，激活免疫系统，从而有助于TLS的形成。

4. 癌症疫苗：

   • 癌症疫苗通过提供肿瘤特异性抗原，激活免疫系统，可能促进TLS的形成和增强抗肿瘤免疫反应。

5. 免疫疗法：

   • 免疫检查点抑制剂和其他免疫调节疗法可以解除肿瘤诱导的免疫抑制，促进TLS的形成和功能。

6. 溶瘤病毒（OV）：

   • 溶瘤病毒可以选择性地感染和杀死肿瘤细胞，同时释放肿瘤抗原，激活免疫系统，为TLS的形成创造条件。

7. 生物材料：

   • 生物材料如胶原蛋白基质、水凝胶、纳米材料、三维（3D）支架和类器官提供了一种新的方法来支持TLS的形成和维持。

8. 胶原蛋白基质和水凝胶：

   • 这些材料可以模拟细胞外基质，为免疫细胞提供支持和空间来形成TLS。

9. 纳米材料：

   • 纳米材料可以用于药物递送、作为免疫刺激剂或用于构建支持TLS形成的支架。

10. 三维（3D）支架：

    • 3D支架可以提供物理支持和化学线索，促进细胞间的相互作用和TLS的形成。

11. 类器官：

    • 类器官是自组织的三维细胞结构，可以在体外模拟器官功能，可能用于研究TLS的形成和功能。

Fig. 4 展示了一个多样化的方法集合，这些方法可以单独或组合使用，以促进TLS的形成。这些方法的发展和应用为癌症治疗提供了新的策略，旨在增强患者的抗肿瘤免疫反应。通过在小鼠模型和癌症患者中诱导TLS，研究人员可以更好地理解这些结构在抗肿瘤免疫中的作用，并开发新的免疫治疗手段。此外，这些方法的临床应用前景广阔，可能会带来更有效的癌症治疗策略。

这篇文章是关于使用人工智能（AI）通过综合分析（TLS）和（TB）来预测（TNBC）患者的生存情况的研究。TNBC 是一种高度异质性和临床侵袭性的疾病，目前对其的分期主要基于肿瘤-淋巴结-转移（TNM）分类系统。但由于TNBC的高度异质性，相同TNM分期的患者可能会有显著不同的临床预后，因此迫切需要开发新的模型来预测TNBC患者的临床预后。

研究者们评估了TLS和TB的浸润水平，并使用AI分析建立了一个模型，通过R软件进行校准曲线分析和决策曲线分析。研究发现，在训练和验证队列中，作者建立的抗肿瘤/促肿瘤模型显示与TNBC患者的（OS）和（RFS）呈正相关。特别是，TLS中高比例的CD8阳性T细胞、CD45RO阳性T细胞或CD20阳性B细胞的患者经历了改善的OS和RFS。此外，研究者们基于TLS/TB指数开发了一个全面的TLS。这个新模型在预测TNBC患者的OS和RFS方面优于传统的肿瘤-淋巴结-转移分期系统。

结论是，通过综合AI分析和机器学习工作流程，建立了一种预测TNBC患者预后的新策略。被确定为TNBC的一个独立预后因素。基于列线图的TLS-TB特征将有助于提高预测TNBC患者预后的准确性。

研究由多个作者共同完成，包括来自天津医科大学肿瘤研究所和医院、上海交通大学等机构的研究人员。研究得到了多个基金项目的支持。

FIGURE 1 展示了人工智能（AI）在自动识别三阴性乳腺癌（TNBC）组织中的三级淋巴结构（TLS）和肿瘤芽（TB）方面的应用。

(A) 展示了代表性的苏木精-伊红（H&E）染色的TNBC组织图像，其中TLSs以200微米的比例尺显示。右侧的图像显示了AI如何识别TLSs。

(B) 这一部分比较了经验丰富的病理学家对H&E染色结果的评估与机器学习结果之间的一致性。通过进行Spearman相关性检验来评估两者之间的相关性。

© 展示了TNBC组织（mIHC）染色的代表性图像。其中CD45RO阳性的T细胞、CD8阳性的T细胞、CD20阳性的B细胞和细胞核分别用青色、绿色、红色和蓝色标注，比例尺为100微米。

(D) 展示了TNBC组织进行（IHC）染色的代表性图像。左侧图像展示了CK19的染色，比例尺为100微米。右侧图像显示了AI如何识别CK19阳性细胞。

(E) 这一部分比较了经验丰富的病理学家对IHC染色结果的评估与机器学习结果之间的一致性，同样通过Spearman相关性检验来评估。

图中的缩写词解释如下：

• AI：人工智能
• CK19：细胞角蛋白19，一种常用于的标记物
• DAPI：4’,6-二脲基-2-苯基吲哚，一种用于的荧光染料
• H&E：苏木精-伊红染色，一种常用的组织染色技术，用于观察组织结构和细胞类型
• IHC：免疫组化，一种用于检测组织中特定蛋白质的技术
• mIHC：多重免疫组化，一种可以同时检测多种蛋白质的技术
• TB：肿瘤芽，肿瘤侵袭性生长的一种
• TNBC：三阴性乳腺癌，一种缺乏雌激素受体、孕酮受体和HER2表达的
• TLS：三级淋巴结构，肿瘤微环境中的免疫细胞聚集体

总体而言，FIGURE 1 强调了AI技术在病理诊断中的潜力，特别是在提高诊断效率和准确性方面。通过AI自动识别TLS和TB，研究者可以更快速地进行病理分析，并可能提高病理诊断的一致性和可重复性。

FIGURE 2 展示了三级淋巴结构（TLS）和肿瘤芽（TB）的密度与三阴性乳腺癌（TNBC）患者临床结果之间的相关性，以及TLS和TB密度之间的关系。

(A) 展示了高密度和低密度TLS的代表性H&E染色图像，比例尺为100微米。图像帮助视觉化TLS在TNBC组织中的表现形式。

(B) 展示了回顾性初训队列中，根据TLS密度不同分组的患者的总生存期（OS）和无复发生存期（RFS）。此图可能显示了TLS密度与患者生存期之间的统计学关联。

© 类似于(B)，但展示了回顾性验证队列中TLS密度不同分组的患者的OS和RFS。这有助于确认初训队列中观察到的相关性是否在独立队列中成立。

(D) 展示了高密度和低密度TB的代表性免疫组化（IHC）染色图像，比例尺为100微米。图像帮助视觉化TB在TNBC组织中的表现形式。

(E) 展示了回顾性初训队列中，根据TB密度不同分组的患者的OS和RFS。此图可能显示了TB密度与患者生存期之间的统计学关联。

(F) 类似于(E)，但展示了回顾性验证队列中TB密度不同分组的患者的OS和RFS。这有助于确认初训队列中观察到的相关性是否在独立队列中成立。

(G) 展示了回顾性初训队列中TB的IHC染色与TLS的H&E染色之间的Spearman相关性。此散点图或图表可能揭示了两种评估方法之间的一致性或相关性。

(H) 类似于(G)，但展示了回顾性验证队列中TB的IHC染色与TLS的H&E染色之间的Spearman相关性。这有助于确认初训队列中观察到的相关性是否在独立队列中成立。

图中使用的缩写词解释如下：

• H&E：苏木精-伊红染色，一种常用的组织染色技术，用于观察组织结构和细胞类型。
• IHC：免疫组化，一种用于检测组织中特定蛋白质的技术。
• OS：总生存期，指从治疗开始或诊断开始到患者死亡的任何原因的时间。
• RFS：无复发生存期，指患者从治疗开始到癌症复发的时间。
• TB：肿瘤芽，肿瘤侵袭性生长的一种形态学特征。
• TLS：三级淋巴结构，肿瘤微环境中的免疫细胞聚集体。

总体而言，FIGURE 2 强调了TLS和TB的密度与TNBC患者临床结果之间的潜在联系，并通过初训和验证队列的数据来支持这些发现的稳健性。这些发现可能有助于改善对TNBC患者预后的评估和治疗策略的制定。

TABLE 2 展示了三级淋巴结构（TLS）指数、肿瘤芽（TB）指数以及 TLS/TB 指数与初训队列（N = 118）中的临床病理特征之间的相关性。

以下是对表格内容的分析：

1. 年龄：表格中将年龄分为 ≤55 岁和 >55 岁的两组，但 Spearman 相关性检验表明，年龄与 TLS 指数、TB 指数或 TLS/TB 指数之间没有显著相关性（p 值分别为 0.883、0.076 和 0.987）。

2. 肿瘤大小：肿瘤直径 ≤2 cm 与 >2 cm 的两组之间，TLS 指数和 TB 指数显示出显著差异（p 值分别为 0.000），表明肿瘤大小与这两种指数有显著的相关性。具体来说，较大的肿瘤与较低的 TLS 指数和较高的 TB 指数相关。

3. 组织学分级：低分级（1, 1-2, 和 2）与高分级（2-3 和 3）的肿瘤之间，TLS 指数和 TB 指数同样显示出显著差异（p 值分别为 0.002 和 0.006），表明肿瘤的组织学分级与这两种指数有显著的相关性。

4. 淋巴结转移：有无淋巴结转移的两组之间，TLS 指数和 TB 指数有显著差异（p 值分别为 0.000），说明淋巴结转移状态与这两种指数显著相关。

5. TNM分期：不同TNM分期（IA, IB, IIA 与 IIB, IIIA, IIIB, IIIC）的肿瘤之间，TLS 指数和 TB 指数有显著差异（p 值分别为 0.000），表明肿瘤的分期与这两种指数显著相关。

6. Ki67阳性肿瘤细胞百分比：Ki67阳性细胞 ≤30% 与 >30% 的两组之间，TLS 指数和 TB 指数有显著差异（p 值分别为 0.000），说明Ki67表达水平与这两种指数显著相关。

7. TLS密度：TLS密度低（每视野 ≤2）与高（每视野 >2）的两组之间，TLS 指数显著不同（p 值分别为 0.000），表明TLS密度与TLS指数显著相关。

8. TB密度：TB密度低（每视野 ≤15.06）与高（每视野 >15.06）的两组之间，TB 指数显著不同（p 值分别为 0.000），表明TB密度与TB指数显著相关。

9. TLS/TB指数：TLS/TB指数低与高的两组之间，与肿瘤大小、淋巴结转移、TNM分期、组织学分级和Ki67表达水平等临床病理特征显著相关（p 值均为 0.000），这表明TLS/TB指数是一个与多种临床病理特征相关的独立预后因素。

Spearman相关性检验是一种非参数的统计方法，用于评估两个变量之间的相关性。在这个表格中，Spearman r值用来表示TLS、TB和TLS/TB指数与临床病理特征之间的相关程度，p值用来表示统计显著性。p值小于0.05通常被认为是统计显著的，意味着观察到的相关性不太可能是由随机变化引起的。

这篇文章是关于（PDAC）中肿瘤内（TLS）的细胞特性和预后意义的研究。研究使用了对未经术前治疗（手术组，SA）和接受（NAT）的PDAC患者的手术切除肿瘤组织进行分析。通过机器学习和图像处理平台处理，对TLS区域进行分割，识别和量化细胞。

研究发现，在手术组中，21.1%的患者存在肿瘤内TLS，而在NAT组中这一比例为15.4%。手术组中肿瘤内TLS的存在与改善的（OS）和（PFS）显著相关。肿瘤内TLS与邻近组织中CD8+T、CD4+T、B细胞和活化免疫细胞水平升高相关。研究还生成了一个包含TLS存在的，成功预测了外部验证队列（n=123）中PDAC患者的OS。

在NAT组中，样本显示出肿瘤内TLS中B细胞比例较低，调节性T细胞比例较高。此外，这些TLS体积较小，整体成熟度较低，免疫细胞活化减少，且TLS存在的预后价值在NAT队列中不显著。

该研究系统地揭示了PDAC中肿瘤内TLS的细胞特性和预后价值，并描述了NAT对TLS发展和功能的潜在影响。研究表明，新辅助化疗可能会削弱肿瘤内TLS的保护作用，因此，在临床管理接受术前治疗的PDAC患者时应考虑这一点。

文章还讨论了PDAC中TLS的存在与改善的临床结果之间的关联，并提出了一个包含TLS、TNM分期和肿瘤分级的多变量Cox回归模型和相关列线图，用于预测未经术前药物治疗（手术组）的PDAC患者的生存情况。通过外部验证队列，证实了构建的列线图可以准确预测患者的OS。

此外，文章还探讨了NAT对PDAC中TLS的影响，指出NAT可能会损害TLS的发展和成熟，从而削弱其在抗肿瘤免疫中的相关有益效果。因此，对于某些PDAC患者，NAT的施用可能需要在临床决策中仔细考虑。

Figure 1 展示了手术未经过新辅助治疗（SA）的胰腺导管腺癌（PDAC）患者中肿瘤内三级淋巴结构（TLS）的代表性结构。

A. H&E染色图像：展示了PDAC肿瘤组织中的肿瘤内TLS。TLS被点状红线圈出，比例尺为100微米（µm），这表明了TLS在肿瘤组织中的具体位置和相对大小。

B. 不同细胞类型的分割：使用inForm软件对TLS内的不同类型的细胞进行分割，比例尺为50微米（µm）。这一步骤通过图像分析技术区分了TLS内的各个细胞群，为后续的细胞类型识别和量化提供了基础。

C. 多重荧光免疫组织化学染色图像：展示了使用不同荧光标记的细胞标记物对TLS进行染色的结果。一张组织切片中同时标记了CD4（识别CD4+ T细胞）、CD8（识别CD8+ T细胞）、CD20（识别CD20+ B细胞）和FOXP3（识别调节性T细胞，Treg）。另一张连续的组织切片则标记了CD68（识别巨噬细胞）、CD15（识别粒细胞）、CD11c（识别树突细胞）和CD45RO。TLS被点状白线圈出，比例尺为50微米（µm）。这些图像揭示了TLS内部的细胞组成和空间分布。

D. 肿瘤内TLS中免疫细胞的比例：展示了SA组中80个TLS阳性样本内七种免疫细胞和CD45RO+细胞的比例。CD45RO是一种记忆T细胞和一些B细胞亚群的标记，这表明了TLS内部不同免疫细胞的相对丰度，为理解TLS的免疫微环境提供了定量信息。

总体而言，Figure 1 通过一系列的图像和分析，详细描述了PDAC中TLS的形态特征、细胞组成和空间结构，为理解TLS在胰腺癌中的角色提供了重要的视觉和定量数据。

Figure 2 展示了在接受新辅助治疗（NAT）的胰腺导管腺癌（PDAC）患者中肿瘤内三级淋巴结构（TLS）的代表性结构，并与手术未经过新辅助治疗（SA）的患者进行了比较。

A. H&E染色图像：通过苏木精-伊红染色（H&E）展示了PDAC肿瘤组织中的肿瘤内TLS。TLS被点状红线圈出，比例尺为100微米（µm），这有助于观察TLS在肿瘤组织中的位置和大小。

B. 不同细胞类型的分割：使用inForm软件对TLS内的不同类型的细胞进行分割，比例尺为50微米（µm）。这一步骤通过图像分析技术区分了TLS内的各个细胞群，为识别和量化不同细胞类型提供了基础。

C. 多重荧光免疫组织化学（mIHC）染色图像：展示了使用不同荧光标记的细胞标记物对TLS进行染色的结果。一张组织切片中同时标记了CD4（识别CD4+ T细胞）、CD8（识别CD8+ T细胞）、CD20（识别CD20+ B细胞）和FOXP3（识别调节性T细胞，Treg）。另一张连续的组织切片则标记了CD68（识别巨噬细胞）、CD15（识别粒细胞）、CD11c（识别树突细胞）和CD45RO。TLS被点状白线圈出，比例尺为50微米（µm）。这些图像揭示了TLS内部的细胞组成和空间分布。

D. 免疫细胞比例的箱型图比较：通过箱型图比较了SA组（n=80）和NAT组（n=21）样本中肿瘤内TLS内七种免疫细胞和CD45RO+细胞的比例。图中的星号表示统计学上的显著性水平，其中*p<0.05表示差异显著，**p<0.01表示差异非常显著，***p<0.001表示差异极其显著。这表明NAT可能对TLS内的免疫细胞组成产生了影响，与SA组相比，NAT组的TLS在免疫细胞组成上存在显著差异。

总体而言，Figure 2 通过一系列的图像和统计分析，提供了NAT对PDAC患者肿瘤内TLS结构和细胞组成的影响的视觉证据，揭示了新辅助治疗可能对肿瘤免疫微环境的改变。

Figure 8 是一个图形摘要，它展示了胰腺导管腺癌（PDAC）患者中肿瘤内三级淋巴结构（TLS）在接受单纯手术（SA）治疗和新辅助治疗（NAT）治疗两组之间的差异。

以下是对这个图形摘要的分析：

1. TLS的细胞组成：

   • 在PDAC中，肿瘤内TLS主要由CD20+ B细胞、CD4+ T细胞和CD8+ T细胞组成。
   • B细胞区位于TLS的中心区域，而T细胞区位于周边地带。

2. 其他免疫细胞：

   • 巨噬细胞和树突细胞等其他免疫细胞在TLS中所占比例较小。

3. NAT组的TLS特征：

   • NAT组的肿瘤内TLS体积更小，成熟度较低。
   • 图形摘要可能通过不同的颜色或标记来表示TLS的成熟度和大小，以区分SA组和NAT组。

4. 免疫细胞的活化状态：

   • NAT组中，无论是TLS内部还是外部的活化免疫细胞群体都显著减少，与SA组相比显示出明显差异。
   • 这可能通过比较两组间特定免疫细胞标记物（如活化标记CD69、共刺激标记OX40等）的表达水平来体现。

5. 图形表现：

   • 图形摘要可能采用示意图、图表或两者结合的方式来直观地展示TLS的结构和细胞组成差异。
   • 通过视觉元素（如箭头、颜色变化、图形大小）来强调NAT对TLS的影响。

6. 临床意义：

   • 图形摘要强调了新辅助治疗可能对PDAC患者肿瘤内TLS的潜在负面影响，包括TLS的大小、成熟度以及免疫细胞的活化状态。
   • 这些变化可能对患者的免疫反应和预后有重要影响。

Figure 8 通过直观的方式总结了研究的关键发现，即新辅助治疗可能削弱肿瘤内TLS的结构和功能，这对于临床决策和未来研究方向具有重要意义。

这篇文章是关于使用深度学习技术来分析组织学中的（Tertiary Lymphoid Structures, TLS），并预测癌症预后和免疫疗法反应的研究。研究团队创建了一个包含匹配的（mIHC）染色和H&E全切片图像（WSIs）的数据集，并开发了一个深度学习模型，用于自动分割TLS。该模型在内部测试集上达到了0.91的Dice系数和0.819的交并比（IoU），在外部验证集上分别达到了0.866的Dice系数和0.787的IoU。

研究还发现，TLS比例（定义为分割的TLS面积与总组织面积之比）与患者的B淋巴细胞水平和与TLS形成相关的趋化因子CXCL13的表达呈正相关，这些患者覆盖了来自癌症基因组图谱（The Cancer Genome Atlas, TCGA）的16种肿瘤类型。整体生存的预后模型表明，将TLS比例与TNM分期结合在一起，显著提高了模型的区分能力，在15种TCGA肿瘤类型中的10种中，表现优于仅结合TNM分期的传统模型。

此外，当应用于未经治疗的肿瘤样本的活检时，较高的TLS比例预测了多个队列中积极的免疫疗法反应，包括食管鳞状细胞癌、非小细胞肺癌和胃腺癌的特定疗法。总之，这项基于深度学习的TLS分割和定量方法，突出了其在预测免疫疗法反应和通知癌症预后方面的潜力。

研究还讨论了TLS在肿瘤微环境中形成的机制仍然不清楚，但其存在与多种癌症中积极的免疫疗法反应相关联。最近的临床试验显示，晚期软组织肉瘤中TLS的存在预测了对pembrolizumab治疗的有利反应，强调了其作为预测免疫疗法临床效果的有价值生物标记物的潜力。此外，几项荟萃分析显示了TLS存在与胃肠道癌症和消化系统癌症中延长的整体生存之间的关联，进一步强调了TLS在多种癌症类型中的临床价值。

目前，分割和定量TLS的金标准是基于使用mIHC染色的T和B淋巴细胞的病理特征，但mIHC资源密集且并不普遍可用，限制了其临床应用。尽管有经验的病理学家可能在H&E染色的全切片图像（WSIs）上识别TLS，但对H&E染色单独基于分割TLS的方法的敏感性和准确性与mIHC确定的结果相比，尚未系统评估。

随着深度学习的出现，自动化组织病理学特征提取已成为可能，包括癌症分级、诊断、预后和预测免疫疗法反应、分子表达和基因改变等任务。一些算法甚至可以达到与病理学家相媲美的诊断准确性。在这项工作中，研究团队创建了一个数据集，从匹配的mIHC和H&E WSIs中，开发了一种深度学习方法，从H&E WSIs中分割和计算TLS比例，并在癌症基因组图谱（TCGA）中验证了我们方法的准确性，并评估了TLS比例与多种癌症类型中的整体生存之间的关联。最后，TLS比例被评估用于预测不同队列中的免疫疗法反应。

Fig. 1 提供了这项研究设计和方法论的概览

I. 数据收集与预处理：

• 从65位被诊断为食管鳞状细胞癌（ESCC）或非小细胞肺癌（NSCLC）的患者那里收集数据。
• 获取了多重免疫组化（mIHC）和H&E染色的全切片图像（WSIs）。
• 基于mIHC WSIs对TLS（三级淋巴结构）进行分割，并将图像进一步裁剪成22,497个小块（tiles）。

II. TLS比例量化的深度学习方法：

• 使用深度学习方法自动分割TLS，并量化TLS比例。
• TLS比例是通过将分割后的TLS面积除以总组织面积来计算的。

III. TLS比例与其他肿瘤类型的相关性评估：

• 利用来自癌症基因组图谱（TCGA）的16种癌症队列来评估TLS比例与分子标志物（B细胞水平和CXCL13表达）以及预后结果之间的潜在相关性。

IV. TLS比例与免疫疗法反应的关联性评估：

• 在一个ESCC队列、两个独立的NSCLC队列和一个胃腺癌（STAD）队列中，评估TLS比例与免疫疗法反应之间的关联性。

关键缩写解释：

• TCGA: 癌症基因组图谱（The Cancer Genome Atlas）
• ESCC: 食管鳞状细胞癌（esophageal squamous cell carcinoma）
• NSCLC: 非小细胞肺癌（non-small cell lung cancer）
• STAD: 胃腺癌（stomach adenocarcinoma）

通过这个流程，研究人员能够评估TLS在不同类型癌症中的作用，以及它们如何与免疫疗法的效果相关联。这种分析有助于在癌症治疗和预后评估中更好地理解TLS的重要性。

Fig. 3 展示了根据TLS（三级淋巴结构）比例分层的总体生存结果。该图通过单变量生存分析，展示了TLS比例如何预测来自癌症基因组图谱（TCGA）的食管鳞状细胞癌（ESCC）和非小细胞肺癌（NSCLC），以及来自临床蛋白质组肿瘤分析联盟（CPTAC）的NSCLC患者的预后。

具体分析如下：

a. ESCC (食管鳞状细胞癌)：

• 该部分的图可能显示了高TLS比例和低TLS比例两组患者的总体生存曲线。
• 曲线可能展示了随着时间的推移，两组患者的存活率。
• 高TLS比例的患者可能展现出更好的生存率（即存活时间更长）。

b. NSCLC (非小细胞肺癌) from TCGA：

• 类似于ESCC，这部分也展示了基于TLS比例分层的NSCLC患者的总体生存曲线。
• 可能同样观察到高TLS比例与改善的生存率之间的相关性。

c. CPTAC-NSCLC：

• 这部分展示了来自CPTAC的NSCLC患者的数据，也通过TLS比例来预测预后。
• 与TCGA的数据类似，高TLS比例可能与更好的生存结果相关联。

统计分析：

• P值是通过双尾对数秩检验（log-rank test）计算得出的，用于评估两组或多组之间的生存差异是否具有统计学意义。
• 如果P值小于0.05，通常被认为是统计显著的，意味着生存曲线之间的差异不太可能是由于随机变异造成的。

结论：

• 这些结果表明，通过深度学习方法估计的TLS比例可能是一种有用的生物标志物，能够预测不同类型癌症患者的总体生存情况。
• 高TLS比例可能与改善的预后相关，这可能有助于临床决策，特别是在选择患者进行免疫治疗时。

这些发现强调了在癌症治疗和预后评估中考虑肿瘤微环境中TLS的重要性。然而，需要进一步的研究来验证这些结果，并探索TLS比例与其他临床和分子特征之间的相互作用。

这篇文章的标题是《在乳腺癌中与三级淋巴结构相关的独立预后不良亚型的发现》，作者是来自中国昆明云南民族大学数学与计算机科学学院的Ruiqi Liu、Xiaoqian Huang、Shiwei Yang、Wenbo Du、Xiaozhou Chen以及中国南京鼓楼医院风湿免疫科的Huamei Li。

文章主要研究了（Tertiary Lymphoid Structures, TLS）在中的作用，特别是它们如何影响肿瘤的侵袭和转移。TLS是在慢性炎症非淋巴组织中出现的异位淋巴形成，它们在调节肿瘤侵袭和转移中起着关键作用，并且在多种癌症中，TLS的存在与改善的预后呈正相关。

研究方法包括发现可能影响乳腺癌患者预后的TLS关键基因，并将乳腺癌分为三种基于关键基因表达谱的不同亚型，这些亚型在预后上有显著差异。研究还探讨了这些亚型的异质性如何影响患者预后、分子机制的差异，以及它们对药物治疗和免疫治疗的反应。此外，研究者设计了一个基于机器学习的分类模型，揭示了几个外部独立队列中高度一致的预后差异。

研究结果发现，Cluster 3中的一个显著标记基因CXCL13可能在提高患者预后方面发挥关键作用。在单细胞分辨率下，研究者深入研究了Cluster 3不良预后的原因，观察到成纤维细胞、髓系细胞和基底细胞之间的相互作用增强，这影响了患者的预后。此外，研究还发现了几种在该亚型中可能与癌细胞存活和侵袭能力呈正相关的显著上调基因（CD46、JAG1、IL6和IL6R）。

文章讨论了研究是精准医疗和个性化治疗的坚实基础，为当前乳腺癌的分类提供了新的视角。关键词包括三级淋巴结构、肿瘤微环境、乳腺癌、亚型、预后。

研究使用了来自癌症基因组图谱项目（The Cancer Genome Atlas Project, TCGA）的1215个乳腺癌样本的转录组表达数据和临床信息，以及其他独立乳腺癌数据集。研究使用了无监督共识聚类方法来确定最稳定的共识矩阵和迭代聚类过程中最明显的簇分配。

研究还构建了基于机器学习的模型，使用XGBoost模型区分Cluster 1/2和Cluster 3类别的乳腺癌患者。模型在TCGA乳腺癌队列的7:3训练和测试集上表现良好，并在其他外部独立数据集上进行了测试。

最后，文章还从单细胞角度对TLS衍生的亚型进行了分析，观察到Cluster 3表现出更高的肿瘤纯度和更低的免疫评分，并且提出了在Cluster 3中，成纤维细胞中CD46和IL6的上调，以及与基底细胞和髓系细胞的增强相互作用，可能导致JAG1和IL6R表达的上调，最终导致Cluster 3不良预后。

FIGURE 2 在文章中提供了关于TLS衍生的乳腺癌亚型的异质性的详细视觉表示。

以下是对每个部分的分析：

(A) 共识聚类热图

• 展示了基于TLS关键基因表达矩阵的TCGA乳腺癌队列的共识聚类矩阵。
• 热图可能显示了不同样本的聚类情况，颜色变化可能表示基因表达水平的变化，从而帮助区分不同的亚型。

(B) KM曲线

• 展示了三种TLS衍生亚型之间在预后上的显著差异。
• KM曲线（Kaplan-Meier曲线）通常用来表示生存数据，曲线下降的陡峭程度可以反映生存率的降低。
• P值通过log-rank检验获得，用来评估曲线之间的差异是否具有统计学意义。

© 小提琴图

• 展示了TLS关键基因在不同TLS衍生亚型中的表达差异。
• 小提琴图结合了箱线图和密度图的特点，可以展示数据分布的形状以及异常值。

(D) 小提琴图

• 展示了TLS衍生亚型的基因组等级指数（GGI）。
• GGI是一个基因表达特征，用来增强组织学等级评估，可能与肿瘤的侵袭性和治疗反应有关。

(E) 小提琴图

• 展示了TLS衍生亚型的干细胞特征基因活性得分。
• 干细胞特征与肿瘤的侵袭性、复发风险和患者预后密切相关。

(F) 小提琴图

• 展示了不同生物学特征在TLS衍生亚型中的分布，包括免疫评分、基质评分和肿瘤纯度。
• 这些评分有助于了解肿瘤微环境的特性，如免疫细胞的浸润程度和肿瘤组织的密度。

(G) 气泡图

• 展示了TLS衍生亚型中富集的基因本体（Gene Ontology, GO）术语和KEGG通路。
• 气泡图通常用来展示富集分析的结果，气泡的大小可能与富集程度相关，颜色可能表示P值或效应大小。

(H) 圆形图

• 展示了TLS衍生亚型的拷贝数变异。
• 白色表示拷贝数增加，灰色表示拷贝数删除，这反映了不同亚型在基因组层面的变异情况。

总体而言，FIGURE 2 通过多种图表形式，从不同角度展示了TLS衍生的乳腺癌亚型的分子特征和生物学特性，揭示了它们在基因表达、生物学过程、遗传变异等方面的异质性，这对于理解乳腺癌的复杂性和开发个性化治疗策略具有重要意义。

这篇文章是关于一种新型的分割网络的研究，该网络嵌入了和对噪声敏感的约束，用于检测病理图像中的（Tertiary Lymphoid Structures, TLSs）。TLSs的存在是胰腺肿瘤预后的重要指标，因此，在胰腺肿瘤的诊断和治疗中，对TLSs的检测起着至关重要的作用。传统的深度学习全监督检测算法通常需要大量的手动注释，这既耗时又费力。本文提出的方法旨在通过少量学习（few-shot learning）的方式检测TLSs。

研究者首先通过结合一个预训练的核分割模型和一个用于淋巴细胞核识别的领域对抗网络来获取。然后，建立了一个跨尺度注意力引导机制，通过联合学习原始组织病理图像的和设计的淋巴细胞密度注意力的。在训练过程中引入了一个对噪声敏感的约束，通过嵌入有符号距离函数损失来减少微小的预测误差。

实验结果表明，所提出的方法在TLSs检测准确性方面显著优于现有的最先进的基于分割的算法。此外，研究者还应用该方法研究了TLSs密度与胰周血管侵犯之间的一致性关系，并获得了一些临床统计结果。

主要贡献包括：

• 首次实现了在胰腺组织病理图像上通过嵌入跨尺度注意力引导和对噪声敏感的约束到弱监督分割网络中，以少量样本检测TLSs，这可以应用于其他肿瘤的TLS分析。
• 构建了反映TLSs在病理图像上分布特征的淋巴细胞密度图，并提出了通过联合学习粗尺度病理图像和细尺度淋巴细胞密度图的TLS特征的跨尺度注意力机制。
• 引入了有符号距离函数损失的噪声敏感约束，用于训练具有弱边界框注释的TLS分割网络，这有助于明确学习TLS分布并避免由于微小预测误差引起的巨大性能下降。
• 实验结果表明，该方法在胰腺病理图像上检测TLS的准确性方面显著优于现有的最先进（SOTA）基于分割的算法。通过所提出的方法，验证了TLS密度与胰周血管侵犯显著相关的临床数据，这些数据来自两个独立机构。

Fig. 1 展示了所提出的用于胰腺癌弱监督三级淋巴结构（TLSs）分割的网络流程图，该网络嵌入了跨尺度注意力引导和对噪声敏感的约束。

以下是对这个流程图的分析：

1. 输入WSI（Whole Slide Image）：整个流程从接收一个完整的组织病理学幻灯片图像（WSI）开始，这是一整个组织样本的数字化图像。

2. HoVer-Net和领域对抗网络（ClsNet）：使用预训练的HoVer-Net模型来分割图像中的细胞核，并使用领域对抗网络（ClsNet）来识别淋巴细胞核。HoVer-Net有三个分支：分割分支、结构分支和分类分支。领域对抗网络用于提高淋巴细胞核的识别性能。

3. 分割和分类：从HoVer-Net中提取的分割和结构分支用于分割细胞核。领域对抗网络（DANN）用于分类，以区分淋巴细胞核和其他类型的细胞核。

4. 淋巴细胞密度图：基于检测到的淋巴细胞核，计算WSI上的淋巴细胞密度图。这涉及到在每个不重叠的d×d区域中计算预测淋巴细胞核的数量，然后生成灰度淋巴细胞密度图。

5. 跨尺度注意力引导机制：将原始的H&E图像的三个通道（蓝色、绿色和红色）分开，并通过反向操作使淋巴细胞密度图与原始H&E图像兼容，生成所需的注意力图。然后，基于U形网络架构建立跨尺度注意力引导网络，该网络有四个通道输入，用于联合学习原始H&E图像的粗尺度特征和计算出的淋巴细胞密度注意力的细尺度特征。

6. TLSs预测：通过跨尺度注意力引导网络处理后的图像用于预测TLSs的位置。

7. 噪声敏感约束（SDF loss）：为了提高对TLSs定位的准确性，引入了嵌入有符号距离函数（SDF）损失的噪声敏感约束。SDF损失有助于训练网络时明确学习TLSs的位置分布，避免由于微小预测误差导致的性能大幅下降。

8. 输出：最终，网络输出TLSs的分割结果，这些结果可以用于进一步的临床分析和研究。

整个流程的设计考虑了从原始的病理图像到最终的TLSs分割结果的每个步骤，强调了跨尺度特征学习的重要性，并通过引入噪声敏感的约束来提高分割的准确性。这种方法对于在少量标注数据的情况下，提高TLSs检测的准确性具有重要意义。

Fig. 2 描述了用于识别淋巴细胞核的细胞核分割基线模型和领域对抗网络（Domain Adversarial Network, DANN）的结构组合。

以下是对这个结构的分析：

1. 输入图像：流程从输入一张图像开始，这张图像包含了需要识别和分割的细胞核。

2. 分割解码器和结构解码器：输入图像首先被送入分割解码器，它的任务是预测细胞核的位置和形状。同时，结构解码器处理图像以解决细胞核之间的重叠问题，确保每个细胞核都能被准确分割。

3. 分类结果：分割解码器和结构解码器的输出接着被送入分类器，这里的分类器负责识别细胞核是否为淋巴细胞核。

4. 编码器：编码器是神经网络的一部分，用于提取图像的特征。这些特征随后被用于分类和分割任务。

5. 特征提取器：特征提取器（Gf）是DANN的一部分，用于从编码器的输出中提取有用的特征。

6. 图像分类器：图像分类器（Gy）基于特征提取器提供的特征来对细胞核进行分类，判断它们是否为淋巴细胞核。

7. 领域判别器：领域判别器（Gd）是DANN的关键组成部分，它试图区分数据来自哪个领域（即，原始数据集或目标数据集）。领域判别器帮助网络学习领域不变特征，从而提高模型在不同数据集上的泛化能力。

8. 梯度反转层：梯度反转层是DANN中的一个特殊层，它在训练过程中反转来自领域判别器的梯度。这种策略使得特征提取器学习到的特征对领域判别器来说是难以区分的，从而促进了领域对抗训练。

9. 损失函数：DANN训练涉及两个损失函数，分类损失（Lcls）和领域对抗损失（Ladv）。分类损失确保网络能够正确分类细胞核，而领域对抗损失促使网络学习到的特征对领域判别器是不可见的。

10. 领域标签：领域标签（di）指示每个样本是属于源领域还是目标领域。

11. 整体损失：DANN的最终损失（LDANN）是分类损失和领域对抗损失的组合，用于训练网络。

整个结构的目的是利用领域对抗训练策略来提高淋巴细胞核识别的准确性，特别是在数据标注有限的情况下。通过这种结构，网络能够学习到跨不同图像背景的细胞核特征，从而在目标数据集（例如胰腺病理图像）上实现更好的分割和分类性能。

Fig. 3 描述了基于PanNuke数据集上的标注淋巴细胞核数据以及通过预训练的HoVer-Net模型获得的核数据的领域对抗神经网络（Domain Adversarial Neural Network, DANN）的训练策略。

以下是对这个训练策略的分析：

1. 数据来源：训练策略涉及两个数据集。PanNuke数据集提供了标注了淋巴细胞核（LN）和非淋巴细胞核（NLN）的图像。此外，研究者们使用预训练的HoVer-Net模型在没有淋巴细胞核标注的胰腺病理图像上进行细胞核分割，得到了另一个数据集。

2. 领域划分：在领域对抗训练中，PanNuke数据集作为源领域，因为它包含了标注信息。而从HoVer-Net模型得到的分割结果形成的数据集被视为目标领域，因为它没有淋巴细胞核的明确标注。

3. 训练过程：

   • 前向传播：输入图像首先通过特征提取器（Gf）来提取特征，然后这些特征被送入图像分类器（Gy）以确定图像中是否包含淋巴细胞核，以及送入领域判别器（Gd）以判断图像来自哪个领域。
   • 损失计算：分类损失（Lcls）基于分类器的输出和实际的细胞核类别（淋巴细胞核或非淋巴细胞核）来计算。领域对抗损失（Ladv）则基于领域判别器的输出和实际的领域标签（源领域或目标领域）来计算。
   • 反向传播：损失函数的梯度通过反向传播来更新网络的权重。在领域对抗训练中，使用梯度反转层来反转领域判别器的梯度，以促进领域不变特征的学习。

4. 损失函数：

   • 分类损失（Lcls）：确保网络能够正确分类淋巴细胞核和非淋巴细胞核。
   • 领域对抗损失（Ladv）：促使网络学习到的特征对于领域判别器是不可见的，即特征在不同领域之间是通用的。

5. 整体损失（LDANN）：DANN的总损失是分类损失和领域对抗损失的加权和，用于训练网络。

6. 训练目标：训练的目标是使网络在能够准确分类淋巴细胞核的同时，学习到的特征对于领域判别器是不可见的，即网络能够在不同领域的数据上都表现良好。

7. 标注与未标注数据的结合：通过结合标注的PanNuke数据集和未标注的HoVer-Net分割结果，DANN能够学习到在不同背景中识别淋巴细胞核的能力，这对于在胰腺病理图像上进行TLSs检测尤为重要。

总的来说，Fig. 3 展示了一种巧妙的训练策略，它利用领域对抗学习来提高模型在目标领域（胰腺病理图像）上识别淋巴细胞核的能力，即使目标领域数据缺乏详尽的标注信息。这种策略有助于解决在少量标注数据情况下的迁移学习问题。

Fig. 4 展示了从收集的数据集中计算出的淋巴细胞密度图的可视化结果。

这个图由三部分组成：

1. (a) WSI with TLS annotations：这是整个幻灯片图像（Whole Slide Image, WSI）的一个视图，其中三级淋巴结构（Tertiary Lymphoid Structures, TLSs）的位置用蓝色框标注出来。这些TLSs是病理学家在诊断过程中特别关注的区域，因为它们的出现可能与疾病的存在、发展和预后有关。

2. (b) Gray-scale image of the calculated lymphocyte nuclei density map：这是淋巴细胞核密度图的灰度图像表示。在这个图中，每个像素点的灰度值代表了相应区域内淋巴细胞核的数量。高密度区域用绿色轮廓线标出，这些区域可能对应于TLSs的位置，因为TLSs是由大量聚集的淋巴细胞组成的结构。

3. © Heatmap of the calculated lymphocyte nuclei density：这是一张热图，它以颜色变化的形式展示了淋巴细胞核的密度分布。颜色的深浅表示淋巴细胞核密度的高低，通常深色区域（如红色）表示淋巴细胞核密度较高，可能与TLSs的位置相对应。

本文地址：http://www.dbeile.cn/quote/461.html    多贝乐 http://www.dbeile.cn/ , 查看更多