An Open-Source, Automated Tumor-Infiltrating Lymphocyte Algorithm for Prognosis in Triple-Negative Breast Cancer

An Open-Source, Automated Tumor-Infiltrating Lymphocyte Algorithm for Prognosis in Triple-Negative Breast Cancer - PubMed (nih.gov)

试验设计

尽管TIL评估进行了标准化工作，但评估的主观性和可变性阻碍了其广泛采用。使用QuPath开源软件，我们构建了一种基于H&E图像的TIL自动评估算法，并发明了一种超出人类能力的TIL评估方法。使用来自三个机构的一个发现集和四个验证集，我们发现机器读取测量的 TIL 变量将 TNBC 患者分为预后良好和不良队列，其中较高的 TIL 评分与更好的总生存期显着相关。这种开源的评估方法可以广泛使用，机器读取的 TIL 评分现在已准备好用于前瞻性测试，以证明临床实用性。

使用 QuPath 开源软件，我们为苏木精-伊红 （H&E） 染色切片上的肿瘤细胞、淋巴细胞、成纤维细胞和“其他”细胞构建了神经网络分类器。我们用五个独特的构造TIL变量分析了分类器衍生的TIL测量值。使用 171 例 TNBC 病例的回顾性集合作为发现集，以确定机器读取的 TIL 变量与患者结果的最佳关联。为了验证，我们评估了 749 名 TNBC 患者的回顾性集合，该患者由四个独立的验证子集组成。

数字图像分析

使用QuPath 开源软件平台（0.1.2 版）基于Watershed cell detection对图像中的细胞进行分割，设置如下：检测图像：苏木精 OD;要求的像素尺寸：0.5 μm;背景半径：8 μm;滤光片半径中值：0 μm;西格玛：1.5μm;最小细胞面积：10μm2;最大细胞面积：400μm2;阈值：0.1;最大背景强度：2.细胞扩增：5μm。细胞分割的质量控制由两名病理学家（DR 和 BA）进行。

细胞分类：将检测到的细胞分类为肿瘤细胞、免疫细胞 （TIL）、成纤维细胞和其他细胞。使用神经网络作为具有八个隐藏层（最大迭代次数：100）的机器学习方法。为了帮助算法进行准确的分类，我们还在半径为 25 μm 和 50 μm 处添加了平滑的物体特征，以补充单个细胞的现有测量值。

乳腺癌注释区域示意图和 H&E 图以及 QuPath TIL 变量的定义。A：标注的乳腺癌肿瘤区域。B: 每个 QuPath TIL 测量变量的计算公式，包括 eTILs%= 100 * [TILs 数量/（肿瘤细胞数量 + TILs 数量）]；etTILs%= 100 * （TILs 数量/总细胞数量）； esTILs=100*[TILs数量/（总细胞数量-肿瘤细胞数量）]；eaTILs（mm2）= TILs数量/分析的肿瘤区域面积总和（mm2），easTILs=100*[TIL面积总和（mm2）/基质面积（mm2）]。高倍视图显示仅用苏木精和伊红染色的乳腺癌组织（C）或（D）与细胞分类掩膜重叠。标尺条代表 50 微米。细胞标注为肿瘤细胞（红色）、TIL（紫色）、成纤维细胞（绿色）和其他背景细胞（黄色）。

量化分析

算法训练流程图，发展到算法验证。A在上传 H&E 图像后首先定义估计污渍载体。然后使用标准化的分水岭细胞检测参数进行细胞分割。接下来，使用神经网络训练分类器，其中包含肿瘤细胞、TIL、成纤维细胞和其他细胞类型，每种类型都有颜色编码。构建了一个临时分类器，并将其应用于分类器训练集中的其余图像。经过多轮细胞分类审查和校正后，经过训练的分类器（CNN11）在形态学上被判断为在大多数图像上至少准确率为95%后，就会被锁定。B，应用经过训练的分类器产生了 TIL 测量值，其计算公式为以下 TIL 变量：eTILs%、etTILs%、esTILs%、eaTILs （mm2） 和 easTIL。在 WTS Yale（发现集）中使用 X-tile 软件确定的最佳切点确定了 TIL 变量与患者结果之间的关联。随后，所有 TIL 变量都在验证集中进行了测试，包括 TMA Yale1、TMA Yale2、WTS TCGA 和 WTS Sweden。C，解释如何在基于 H&E 图像的全组织图像中执行 TIL 定量的工作流程。肿瘤区域定义的步骤之后是估计染色载体以归一化 H&E 颜色。然后，使用标准化的分水岭细胞检测参数进行细胞分割，并使用经过训练的分类器进行细胞分类。最后，将TIL测量结果分析为构造变量。

相关指标计算：

• 1. eTILs% = 100 * [# TILs/（# 肿瘤细胞 + # TILs）];代表TIL在肿瘤细胞上的比例。

• 2. etTILs% = 100 *（# 的 TILs/# 的总细胞数）;表示 TIL 在所有检测到的细胞中的比例。

• 3. esTILs = 100 * [# TILs/（# 总细胞 − # 肿瘤细胞）];代表 TIL 在基质细胞中的比例。

• 4. eaTILs （mm2） = # TILs/分析肿瘤区域面积之和 （mm2）;表示肿瘤区域上 TIL 的密度。

• 5. easTILs = 100 * [TIL面积（mm2）/基质面积（mm2）之和];模仿病理学家读取的国际 TIL 工作组变量。

• 结果展示：

---

代码相关

作者提供：CNN11算法，Welcome to the Rimm Lab < Rimm Lab

该团队新文献：Image analysis-based tumor infiltrating lymphocytes measurement predicts breast cancer pathologic complete response in SWOG S0800 neoadjuvant chemotherapy trial

在github上提供了算法：CNN11 algorithm is deposited on GitHub: https://github.com/Yalaibai/Automated_QuPath_TIL_-Classifier_for-TNBC.git

相似研究文献：

An open source automated tumor infiltrating lymphocyte algorithm for prognosis in melanoma

Our TIL scoring algorithm for HE images of Melanoma has been deposited on GitHub: GitHub - acsbal/Automated-TIL-scoring-QuPath-Classifier-for-Melanoma: QuPath TIL classifier for Melanoma on HE slides. The algorithm can be used in QuPath platform. The QuPath software may be downloaded at QuPath.

参考文献：

1：An Open-Source, Automated Tumor-Infiltrating Lymphocyte Algorithm for Prognosis in Triple-Negative Breast Cancer

2：Image analysis-based tumor infiltrating lymphocytes measurement predicts breast cancer pathologic complete response in SWOG S0800 neoadjuvant chemotherapy trial

3：An open source automated tumor infiltrating lymphocyte algorithm for prognosis in melanoma

补充：

TCGA病理图像深度学习的肿瘤淋巴细胞浸润(文献)_tcga image-CSDN博客

HPAanalyze下载病理IHC然后qupath半定量分析（补全）-CSDN博客