SHIFT: speedy histological-to-immunofluorescent translation of a tumor signature enabled by deep learning.
SHIFT: speedy histological-to-immunofluorescent translation of a tumor signature enabled by deep learning.
复制标题
DOI：
10.1038/s41598-020-74500-3
复制
发表时间：
2020-10-15
影响因子：
4.6
通讯作者：
Chang YH
中科院分区：
文献类型：
--
作者：
Burlingame EA;McDonnell M;Schau GF;Thibault G;Lanciault C;Morgan T;Johnson BE;Corless C;Gray JW;Chang YH
免疫染色组织切片的空间分辨分子图谱是癌症诊断、分型和治疗的一个关键特征，它通过阐明肿瘤表型来补充常规的组织病理学评估。在这项工作中，我们提出了一种基于深度学习的方法，称为快速组织学到免疫荧光转换(SHIFT)，它将苏木素和伊红(H&E)染色的组织图像作为输入，然后在近实时返回推断的虚拟免疫荧光(IF)图像，该图像估计肿瘤细胞标记物泛细胞角蛋白(PANCK)的潜在分布。为了建立一个适合学习这项任务的数据集，我们开发了一种连续染色方案，允许来自相同组织的IF和H&E图像进行空间配准。我们表明，深度学习提取的组织图像的形态特征表示可以指导代表性样本的选择，从而提高了对少量但异质的人胰腺癌样本的平移泛化能力。通过在更大的队列中进行验证，Shift可以作为Panck IF的有效初步、辅助或替代品，它可以提供虚拟Panck IF图像，成本只有传统IF的一小部分，时间也只有传统IF的一小部分。
Spatially-resolved molecular profiling by immunostaining tissue sections is a key feature in cancer diagnosis, subtyping, and treatment, where it complements routine histopathological evaluation by clarifying tumor phenotypes. In this work, we present a deep learning-based method called speedy histological-to-immunofluorescent translation (SHIFT) which takes histologic images of hematoxylin and eosin (H&E)-stained tissue as input, then in near-real time returns inferred virtual immunofluorescence (IF) images that estimate the underlying distribution of the tumor cell marker pan-cytokeratin (panCK). To build a dataset suitable for learning this task, we developed a serial staining protocol which allows IF and H&E images from the same tissue to be spatially registered. We show that deep learning-extracted morphological feature representations of histological images can guide representative sample selection, which improved SHIFT generalizability in a small but heterogenous set of human pancreatic cancer samples. With validation in larger cohorts, SHIFT could serve as an efficient preliminary, auxiliary, or substitute for panCK IF by delivering virtual panCK IF images for a fraction of the cost and in a fraction of the time required by traditional IF.
登录
查看更多内容
影响因子：
64.5
作者：
Goltsev Y;Samusik N;Kennedy-Darling J;Bhate S;Hale M;Vazquez G;Black S;Nolan GP
通讯作者：
Nolan GP
DOI：
10.1007/11744023_32
发表时间：
2006-01-01
期刊：
COMPUTER VISION - ECCV 2006 , PT 1, PROCEEDINGS
影响因子：
--
作者：
Bay, Herbert;Tuytelaars, Tinne;Van Gool, Luc
通讯作者：
Van Gool, Luc
影响因子：
2.5
作者：
Hester, Caitlin A.;Augustine, Mathew M.;Yopp, Adam C.
通讯作者：
Yopp, Adam C.
计算机标签：预测未标记图像中的荧光标签。
影响因子：
64.5
作者：
Christiansen EM;Yang SJ;Ando DM;Javaherian A;Skibinski G;Lipnick S;Mount E;O'Neil A;Shah K;Lee AK;Goyal P;Fedus W;Poplin R;Esteva A;Berndl M;Rubin LL;Nelson P;Finkbeiner S
通讯作者：
Finkbeiner S
DOI：
10.1007/s11548-014-1122-9
发表时间：
2015-07-01
影响因子：
3
作者：
Langer, Leeor;Binenbaum, Yoav;Dekel, Shai
通讯作者：
Dekel, Shai