Em formação

Como um patologista analisaria essa imagem de H&E?

Como um patologista analisaria essa imagem de H&E?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Estou trabalhando em um projeto que envolve escrever um software de computador para analisar imagens histológicas. Uma imagem típica tem esta aparência:

É uma biópsia de tecido de câncer de mama corada com Hematoxilina e Eosina. Sendo um programador sem formação em biologia, gostaria de saber como um patologista analisa essas imagens.

Mais especificamente:

  • Quais células são células cancerosas e quais são células regulares?
  • Uma margem invasiva (uma curva marcando o limite da invasão do câncer no tecido) pode ser vista nesta imagem?
  • Um patologista pode fornecer uma classificação TNM olhando para a imagem? Se sim, quais seriam os valores T, N, M, G para esta imagem?

Prof. Peter Hamilton

Peter é chefe do Laboratório de Informática e Bioimagem de Patologia do Centro de Pesquisa do Câncer e Biologia Celular da Queen’s University Belfast. Ele também é fundador e vice-presidente de Pesquisa e Desenvolvimento da PathXL Ltd, uma empresa global especializada em software de patologia digital para análise de tumor e descoberta de biomarcadores.

Nos últimos 25 anos, ele tem liderado pesquisas em patologia digital, visão computacional e bioimagem de tecidos em patologia de diagnóstico e câncer molecular para a identificação de análise quantitativa de alto rendimento de novos marcadores de tecido e biomarcadores celulares. Sendo um pioneiro das primeiras técnicas em medição de tecido, análise de imagem, informática de patologia e descoberta de biomarcador de tecido, ele foi publicado em mais de 150 publicações revisadas por pares em alguns dos principais jornais do mundo.

Peter estabeleceu o laboratório de patologia digital na Queens University Belfast com uma gama completa de tecnologia de digitalização de slides, técnicas de imagem especializadas e software de análise de imagem associado, que agora está integrado ao programa mais amplo do Laboratório de Patologia Molecular. Ele também lidera uma equipe de desenvolvedores de software em análise de imagens e informática de patologia, com foco no desenvolvimento de novas ferramentas para análise automatizada de microarray de tecido e integração de dados clinogenômicos para descoberta de biomarcadores, incluindo imagens de tecido de alto desempenho para descoberta de biomarcadores no câncer de próstata.

Como líder de informática para o Biobanco da Irlanda do Norte (NIB), uma importante iniciativa destinada à coleta prospectiva de amostras de tecido de câncer de alta qualidade para pesquisa translacional em câncer, ele supervisiona a informática para apoiar a coleta de tecido, rastreamento, armazenamento e recuperação de amostras de tecido e integração de dados clínicos, patológicos e epidemiológicos. Ele também é consultor externo de informática para dois biobancos nacionais na Itália e na África do Sul. Ele fez parte do MRC Panel of Experts, do Pathological Society Committee, do Journal of Pathology Editorial Board e da International Society for Cellular Oncology.

Como fundador da PathXL Ltd (www.pathxl.com), o Professor Hamilton conduziu a empresa por meio de investimentos de capital de risco a um ponto em que agora ela tem uma equipe de gerenciamento sênior experiente, com vendas em todo o mundo e um portfólio avançado de soluções sofisticadas de patologia digital para educação, pesquisa e prática clínica. Recentemente, a PathXL Ltd tem desenvolvido novas abordagens para imagens tumorais, reconhecimento de células cancerígenas, análise de biomarcadores e integração de dados com o objetivo de apoiar a patologia moderna na medicina translacional personalizada. PathXL ganhou o Frost and Sullivan Enabling Technology Award e o Prêmio Europeu de Inovação de Novo Produto com sua plataforma TissueMark ™ para a identificação e medição automatizada de tecido tumoral para avaliação molecular de tumores sólidos. PathXL está expandindo rapidamente seus produtos de software através da Xplore para apoiar a integração da patologia digital com a integração de big data. Além da PathXL, ele também faz parte do conselho de várias outras empresas de biotecnologia da Queen’s University. O professor Hamilton casou com sucesso uma excelente carreira acadêmica com um próspero negócio de patologia digital, com o objetivo de traduzir pesquisas acadêmicas inovadoras para a indústria.


Volume 2

Matthew G. Hanna, Liron Pantanowitz, em Encyclopedia of Biomedical Engineering, 2019

Análise de imagem

A análise de imagens é a extração de informações significativas das imagens. A medicina de precisão exige diagnósticos de precisão. A análise de imagens (visão computacional) é uma aplicação ideal da patologia digital para atender a essa necessidade, ajudando os patologistas a fazer a transição do fornecimento de relatórios qualitativos (descritivos) tradicionais para resultados mais quantitativos. Plataformas especializadas de software de análise de imagem estão disponíveis comercialmente (por exemplo, Visiopharm, Definiens, Indica Labs, Virtuoso da Roche e Genie da Leica). As análises mudaram de imagens FOV (estáticas) para WSI e de um para vários marcadores (multiplexação), muitas vezes usando muitas cores (imagem multiespectral). Os algoritmos de imagem incluem várias etapas, como pré-processamento de imagem (por exemplo, normalização de cor), detecção, segmentação, extração de recursos, classificação e quantificação. Algoritmos de software foram desenvolvidos para identificar eventos raros (por exemplo, triagem de microorganismos, contagem de mitoses e detecção de micrometástases em nódulos linfáticos) e quantificar manchas (por exemplo, biomarcadores de mama mais comumente) e várias características (por exemplo, extensão da fibrose do tecido e grau de esteatose hepática). Eles também podem analisar padrões espaciais e distribuição de recursos melhor do que os humanos.

Existem vários benefícios da análise de imagens. Os algoritmos oferecem melhor precisão, porque fornecem medições quantitativas mais precisas e até contínuas em comparação com os humanos. O uso de algoritmos de imagem também permite a padronização devido a resultados mais reproduzíveis, especialmente para categorias de pontuação intermediárias e sistemas de pontuação complexos. A análise automatizada de imagens pode reduzir o consumo de tempo dos patologistas, especialmente para realizar tarefas rotineiras, como contagem. A análise de imagens promete introduzir o CAD, ajudando os patologistas a encontrar, diagnosticar e avaliar o câncer. Com aprendizado profundo e redes neurais complicadas, alguns algoritmos têm demonstrado até mesmo auxiliar na previsão de diagnósticos de câncer.


Tipos de Patologia

Existem três subtipos principais de patologia: patologia anatômica, patologia clínica e patologia molecular. Esses subtipos podem ser divididos em categorias ainda mais específicas. A patologia é um campo diverso porque existem tantas doenças e maneiras diferentes de estudar as doenças.

Patologia Anatômica

Patologia anatômica é o estudo de características anatômicas, como tecido retirado do corpo, ou mesmo um corpo inteiro no caso de uma autópsia, para diagnosticar e aumentar o conhecimento da doença. A patologia anatômica pode incluir a observação de células ao microscópio, mas também envolve a observação de órgãos em geral (por exemplo, uma ruptura do baço). Também inclui a investigação das propriedades químicas das células e seus marcadores imunológicos. Existem várias subcategorias amplas de patologia anatômica:

  • Patologia cirúrgica é o exame dos tecidos removidos durante a cirurgia. Um exemplo comum é o exame de um pequeno pedaço de tecido tumoral para determinar se o tumor é maligno (canceroso) ou benigno e fazer um diagnóstico. Este procedimento é denominado biópsia.
  • Histopatologia é o exame de células ao microscópio que foram coradas com corante para torná-las visíveis ou mais fáceis de ver. Freqüentemente, os anticorpos são usados ​​para rotular diferentes partes das células com diferentes cores de corante ou fluorescência. Depois que o microscópio se espalhou na patologia, muitos métodos diferentes de preservação e tingimento de tecido foram desenvolvidos.
  • Citopatologia é o estudo de pequenos grupos de células eliminadas nos fluidos corporais ou obtidas por raspagem, como as retiradas durante o esfregaço de Papanicolaou cervical. O esfregaço de Papanicolaou detecta o câncer cervical e alguns tipos de infecções. As células são coletadas com o cotonete do colo do útero e, em seguida, processadas e examinadas ao microscópio para verificar se há anormalidades.

Patologia clínica

  • Patologia química, ou química Clínica, envolve a análise química de fluidos corporais, por meio de testes e microscopia. Normalmente, a patologia química envolve o estudo do sangue e de seus componentes imunológicos, como os glóbulos brancos.
  • Hematologia também está relacionado ao estudo do sangue, mas tem mais a ver com a identificação de doenças do sangue especificamente do que a patologia química. Os hematologistas também estudam o sistema linfático e a medula óssea, que são outras partes do sistema hematopoiético.
  • Imunologia, ou imunopatologia, é o estudo de distúrbios do sistema imunológico. Ele lida com respostas imunológicas a moléculas estranhas, alergias, imunodeficiências e rejeição de transplantes de órgãos.

Patologia Molecular

A patologia molecular é o estudo de anormalidades de tecidos e células em nível molecular. É uma categoria ampla usada para se referir ao estudo de doenças de qualquer órgão ou tecido do corpo, examinando quais moléculas estão presentes nas células. Ele pode combinar aspectos da patologia anatômica e clínica. Algumas técnicas que podem ser usadas em patologia molecular incluem reação em cadeia da polimerase (PCR) para amplificar DNA, marcação por fluorescência, imagem de cariótipo de cromossomos e microarranjos de DNA (pequenas amostras de DNA colocadas em biochips).


Pesquisadores desenvolvem um modelo de camundongos para identificar e estudar a dinâmica vascular de lesões de CCM que levam a hemorragia cerebral, derrames e convulsões

O pesquisador de Yale Huanjiao Jenny Zhou (Patologia) e outros pesquisadores da Escola de Medicina estabeleceram um modelo de camundongos com malformações cavernosas cerebrais ("CCM") que "identifica e descobre o mecanismo no qual a sinalização de caveolae-Tie2 induzida por mutação CCM3 contribui para a patogênese da CCM".

Malformações cavernosas cerebrais (CCMs) são "anormalidades vasculares que ocorrem principalmente na idade adulta e levam a hemorragia cerebral, acidente vascular cerebral e convulsões". Os CCMs podem ser iniciados por uma “perda de células endoteliais (EC) de qualquer um dos três genes Ccm: CCM1 (KRIT1), CCM2 (OSM) ou CCM3 (PDCD10).”

A Dra. Zhou e seus colegas de pesquisa utilizam camundongos “com uma deleção de Pdcd10 (Pdcd10BECKO) específica para CE no cérebro”, que normalmente sobrevivem entre 6-12 meses. Durante este período, os camundongos desenvolveram lesões genuínas de CCM em todas as regiões do cérebro, o que permitiu à equipe de pesquisa estudar a “dinâmica vascular das lesões de CCM usando microscopia transcraniana de dois fótons”.

Esses pesquisadores não apenas criaram um modelo de camundongo CCM que estuda anormalidades vasculares, mas também identificaram “sinalização do receptor Tie2 mediado por caveolae na presença de seu ligante Angpt2, que pode oferecer uma abordagem terapêutica para tratar a doença CCM”.

Outros membros da equipe de pesquisa de Yale incluem: Lingfeng Qin, Quan Jiang, Haifeng Zhang, Busu Li, Qun Lin, seus colaboradores Katie N. Murray, Jaime Grutzendler e Wang Min no Programa de Biologia Vascular e Terapêutica, Departamentos de Patologia, Neurobiologia e Biologia Celular Você pode ler mais sobre essa pesquisa empolgante na edição online de 25 de janeiro da Nature Communications.


Drs. Adam Bagg, Zubair Baloch, David Elder, Franz Fogt, Virginia LiVolsi e Xiaowei (George) Xu estão entre os oito principais patologistas da região.

Embora ainda estejamos enfrentando um longo caminho para a normalidade, é emocionante saber como nosso progresso tem sido bem-sucedido até agora. E, no entanto, também acredito que uma experiência compartilhada de luta e o reconhecimento do sofrimento entre nós pode ser uma oportunidade para aprendermos como Departamento.

Quer ficar por dentro do que está acontecendo no Departamento? Inscreva-se no Boletim PLM:

Obrigado por se inscrever!


Como um patologista analisaria essa imagem de H&E? - Biologia

Por Charlotte Plestant (gerente de marketing de conteúdo científico), Eunice Stennett (ex-CMO), David Guet (especialista em patologia digital) - 26 de maio de 2021

Nos últimos anos, o mundo da Patologia evoluiu consideravelmente e trouxe novos desafios. O desenvolvimento de scanners de lâmina inteira juntamente com a Inteligência Artificial (IA) possibilitou a análise patológica por meio da digitalização de lâminas de imunohistoquímica, imunocitoquímica e H & ampE, proporcionando melhores possibilidades na seleção e tratamento de pacientes. Essas mudanças vieram com novos obstáculos, relacionados a um aumento acentuado da complexidade das imagens, maiores expectativas para a análise de imagens e uma mudança nas práticas diárias do patologista.

Nesta postagem, conversamos com David Guet, especialista em aplicativos de patologia digital em Keen Eye. Perguntamos a ele qual era sua visão em relação à Patologia Computacional e por que as soluções baseadas em Inteligência Artificial poderiam apoiar todos os especialistas no campo da Patologia.

A digitalização de slides abriu o caminho para a Patologia Computacional

Há duas décadas, hospitais, indústrias farmacêuticas e CROs (Contract Research Organizations) iniciaram sua própria jornada no caminho da inovação. Graças aos scanners de slides, eles passaram da revisão de slides com um microscópio para imagens de slides inteiros, introduzindo a Patologia Digital. “Podemos dividir a Patologia Digital em duas etapas principais”, explica David, “a primeira é o processo de digitalização de lâminas histopatológicas, IHC ou citológicas usando scanners de lâmina inteira. Segue-se então a gestão, a análise e a interpretação dessas imagens de slide inteiro (WSIs) por meio de abordagens computacionais ”.

A Patologia Computacional incorpora múltiplas fontes de dados por meio de ferramentas desenvolvidas por IA (ou modelos matemáticos), para gerar inferências. Requer o gerenciamento de informações biológicas e clínicas de grandes conjuntos de dados de alto rendimento. A Patologia Computacional que conta com ferramentas de Deep Learning dá acesso a uma melhor seleção de pacientes e terapias de tratamento com medicamentos.

Soluções baseadas em IA tornaram-se obrigatórias para enfrentar a crescente complexidade da análise de imagens

Originalmente nas áreas de pesquisa, pré-clínica, clínica e diagnóstica, a análise de imagens para apoiar os especialistas científicos não era sistematicamente necessária. À medida que os dados a serem processados ​​se tornavam cada vez mais complexos, a análise de imagens automatizada por IA tornou-se vital para interpretações robustas e para extrair informações relevantes, que variam de biomarcadores a características anátomo-patológicas dentro de cada imagem.

Isso inevitavelmente teve um impacto no fluxo de trabalho dos diferentes especialistas. David enfatiza que “havia mais slides para filtrar, mais biomarcadores para analisar e em prazos mais curtos”. Este aumento no número de lâminas digitais que requerem revisão dos patologistas também pode levar a um aumento na variabilidade dos resultados, inter e intraoperador.

Paralelamente a esses parâmetros, “temos que levar em conta a escassez de patologistas experientes, enquanto a rede entre empresas e laboratórios trabalhando juntos em todo o mundo se torna cada vez mais complexa”, acrescenta David. WSIs são dados pesados ​​para manipular: é crucial poder acessar e compartilhar essas imagens por meio de um visualizador responsivo e escalonável. Ser capaz de responder a essas necessidades em todas as abordagens de pesquisa colaborativa é um marco na Patologia Computacional.

Impacto positivo da análise de imagem baseada em IA no trabalho de especialistas em Patologia Digital

Patologistas e pesquisadores estão enfrentando um aumento na carga de trabalho. É crucial criar as soluções de análise certas que irão fornecer-lhes as informações relevantes sobre um estudo, permitindo-lhes lidar com os grandes volumes de dados: cerca de 75% dos patologistas em 59 países em todo o mundo declararam estar interessados ​​em usar IA como uma ferramenta de diagnóstico¹.

Algoritmos baseados em IA devem ser projetados sob orientação e validação do patologista, a fim de acompanhá-los e ajudá-los em todo o seu trabalho. Nosso especialista em aplicação destaca que “essas soluções são feitas em colaboração com patologistas, para patologistas”. De fato, com treinamento e desenvolvimento adequados, uma análise de imagem de IA pode trazer resultados excelentes, apoiando assim o trabalho desses especialistas. Além disso, a utilização de processamento em lote com um algoritmo validado permitirá análises mais rápidas e contínuas, com controle de garantia de qualidade e redução do número de erros.

Ter uma ferramenta baseada em IA confiável e produtiva libera mais tempo para pesquisadores e patologistas se concentrarem no essencial e fazerem descobertas revolucionárias.


O portfólio de instrumentos fenóticos

Nossos scanners de slides de patologia digital Phenoptics permitem que você visualize, analise, quantifique e fenótipo células revelando biologia complexa em seções de tecido inteiro. Nossa técnica de imagem multiespectral permite que você capture as múltiplas interações que ocorrem entre as células porque nós removemos cuidadosamente cada cor uma da outra enquanto também isolamos a autofluorescência em seu próprio canal de cor para que você possa facilmente excluí-la de sua análise de lâmina digital. Isso significa que você pode ter confiança para quantificar com precisão as interações que realmente estão ocorrendo na biologia.

Sistema automatizado de imagiologia patológica quantitativa Vectra Polaris
O Vectra ® Polaris ™ é um scanner digital de patologia de classe mundial com varredura multiespectral de lâmina inteira MOTiF ™ 6-plex e 7 cores que pode detectar e medir com precisão biomarcadores fracamente expressos e sobrepostos em um único tecido FFPE intacto de H & ampE, IHC ou mIF seção ou TMA, para acelerar sua pesquisa.

Sistema automatizado de imagiologia de patologia quantitativa Vectra 3
O sistema de imagem de patologia quantitativa automatizado Vectra ® 3 é um scanner de patologia de seis lâminas que pode ajudá-lo a visualizar, analisar, quantificar e fenotipar células imunes in situ em seções de tecido FFPE e TMAs.

Estação de trabalho de patologia quantitativa Mantra 2
A estação de trabalho de patologia quantitativa Mantra ™ 2 é um microscópio manual equipado com software de análise de imagem inForm® que permite fácil visualização, quantificação e fenotipagem de vários tipos de células imunes simultaneamente em seções de tecido FFPE intactas para pesquisa de imunologia do câncer.


Histologia de precisão: esteatose - análise quantitativa da acumulação anormal de lipídios

O acúmulo anormal de lipídios no tecido, ou esteatose, está associado a várias condições patológicas. A esteatose hepática é uma marca registrada da doença hepática alcoólica (ALD) e também é um marcador precoce da doença hepática gordurosa não alcoólica (NAFLD), que agora é a causa mais prevalente de disfunção hepática nos Estados Unidos. A pontuação histológica da esteatose hepática é, portanto, uma ferramenta clínica essencial para a avaliação da doença hepática.

Além do fígado, depósitos anormais de lipídios podem ser observados em vários outros tecidos no contexto da doença. Por exemplo, a doença de Gaucher e a doença de Nieman-Pick são distúrbios metabólicos hereditários de armazenamento de lipídios caracterizados pelo acúmulo prejudicial de lipídios nos rins, baço, pulmões, medula óssea e cérebro. Além disso, a identificação de lipossarcomas, tumores derivados de células de gordura, requer avaliação do acúmulo de lipídios em amostras de tecido. A relevância clínica dos depósitos de lipídios patológicos no tecido significa que há uma necessidade crítica de abordagens histológicas sensíveis para avaliar e quantificar a esteatose em pacientes e modelos animais de doença humana.

O acúmulo de lipídios é tradicionalmente avaliado por um patologista certificado pelo conselho, no entanto, os avanços recentes na análise de imagens e no aprendizado de máquina permitiram que análises quantitativas mais precisas fossem realizadas de forma independente ou para auxiliar o patologista em escala. O acúmulo anormal de lipídios é comumente avaliado em pesquisas pré-clínicas e ensaios clínicos usando qualquer uma das seguintes abordagens.

Método um: hematoxilina e eosina (H & ampE)

Figura 1. A) Tecido hepático corado com H & ampE. B) Máscara aplicada à imagem original para isolar gotículas de lipídios (azul) para quantificação. A barra de escala representa 50 μm.

A coloração de H & ampE em amostras fixadas em formalina e embebidas em parafina (FFPE) é uma abordagem fácil e de baixo custo para identificar o acúmulo de lipídios em muitos tecidos. Morfologicamente, as gotículas de lipídios aparecem como vazios circulares no tecido, pois o conteúdo de gordura é dissolvido por tratamento com solvente durante o processamento do tecido (Figura 1A). A coloração de H & ampE é, portanto, um método indireto para a quantificação do acúmulo de lipídios. Imagens de lâmina inteira de coloração de H & ampE, obtidas usando microscopia de campo claro, podem ser analisadas para determinar o número e o tamanho das gotículas de lipídios, bem como o grau de esteatose como uma porcentagem da área total do tecido (Figura 1B). Embora H & ampE seja um método clinicamente aprovado para avaliar a esteatose, métodos histológicos adicionais podem detectar diretamente depósitos de lipídios nos tecidos.

Método dois: óleo vermelho O

O acúmulo de lipídios pode ser avaliado diretamente em seções de tecido congelado fresco por coloração com Oil Red O, um corante solúvel em gordura que cora especificamente triglicerídeos e lipídios neutros com uma cor vermelha profunda (Figura 2A). O uso de tecidos frescos congelados evita a perda de conteúdo lipídico que ocorre durante o processamento do tecido fixado com formalina.

Figura 2. A) Seção de tecido hepático congelada corada com Oil Red O (Red) e contracoloração nuclear de hematoxilina (Blue). B) Máscara aplicada à imagem original para isolar gotículas de lipídios (vermelho) para quantificação. A barra de escala representa 10 μm.

Imagens inteiras de slides de seções de tecido coradas com Oil Red O podem ser geradas usando microscopia de campo claro. O software de análise ImageDx ™ mede com precisão uma gama de parâmetros para quantificar a coloração com Oil Red O, incluindo porcentagem de positividade, número médio de gotas por unidade de área e tamanho médio de gota (Figura 2B).

Método três: imunocoloração com perilipina

A perilipina, também chamada de proteína associada a gotículas de lipídeos, é uma proteína que reveste especificamente a periferia das gotículas de lipídeos. A perilipina pode ser detectada tanto em FFPE quanto em cortes de tecido congelado por imunohistoquímica (IHC), uma técnica que usa anticorpos primários criados contra seus antígenos-alvo específicos. Esses anticorpos primários são então detectados usando uma variedade de reagentes secundários e visualizados com 3,3-Diaminobenzidina (DAB & # 8211 marrom). Os anticorpos primários também podem ser detectados usando uma gama de marcadores fluorescentes em um processo conhecido como imunofluorescência (IF). Colorir seções de tecido com perilipina marca especificamente o contorno dos vacúolos de gordura, conforme mostrado na Figura 3.

Figura 3: Coloração de perilipina visualizada com DAB (marrom) na seção de fígado FFPE. Os núcleos são contrastados com hematoxilina (azul). A barra de escala representa 50 μm.

A imagem de lâmina inteira de imunocoloração de perilipina pode ser realizada usando campo claro ou microscopia de imunofluorescência, dependendo da estratégia de detecção secundária. Uma ampla gama de parâmetros de quantificação pode ser relatada, incluindo o número médio de gotas de lipídios por unidade de área, tamanho de gota e área de lipídios. A coloração com perilipina é extremamente sensível, pois detecta várias pequenas gotículas de lipídios que podem ser perdidas por H & ampE. Além disso, o uso de perilipina como marcador de esteatose oferece a vantagem considerável de poder ser multiplexado com outros biomarcadores de interesse na mesma seção.

Em conclusão, a medição e análise precisas do acúmulo de lipídios em seções de tecido fornecem dados valiosos ao avaliar a esteatose em modelos humanos e animais de doença humana. A seleção do método mais apropriado para sua pesquisa depende de vários parâmetros, incluindo o formato do tecido disponível e os dados finais necessários. Entre em contato conosco para discutir como a histologia de precisão pode beneficiar seu próximo estudo.


Aprendizado profundo treinado em ROIs de tumor H & ampE prevê o status de HER2 e a resposta ao tratamento com Trastuzumabe em câncer de mama HER2 +

O padrão atual de tratamento para muitos pacientes com câncer de mama HER2-positivo é a quimioterapia neoadjuvante em combinação com agentes anti-HER2, com base na amplificação de HER2 detectada por no local hibridização (ISH) ou imunohistoquímica de proteínas (IHC). No entanto, as manchas tumorais de hematoxilina e amp eosina (H & ampE) estão mais comumente disponíveis, e a previsão precisa do status de HER2 e a resposta ao tratamento anti-HER2 de H & ampE reduziria os custos e aumentaria a velocidade da seleção do tratamento. Algoritmos computacionais para H & ampE têm sido eficazes na previsão de uma variedade de características do câncer e resultados clínicos, incluindo sucesso moderado na previsão do estado de HER2. Neste trabalho, apresentamos uma nova abordagem de rede neural convolucional (CNN) capaz de prever o estado de HER2 com maior precisão em relação aos métodos anteriores. Treinamos um classificador CNN em 188 H & ampE imagens de slides inteiros (WSIs) anotadas manualmente para regiões de tumor de interesse (ROIs) por nossa equipe de patologia. Nosso classificador atingiu uma área sob a curva (AUC) de 0,90 na validação cruzada do status HER2 de nível de slide e 0,81 em um conjunto de teste TCGA independente. Dentro das lâminas, observamos forte concordância entre ROIs anotadas pelo patologista e previsões computacionais cegas de regiões tumorais / status HER2. Além disso, treinamos nosso classificador em amostras de pré-tratamento de 187 pacientes com HER2 + que posteriormente receberam terapia com trastuzumabe. Nosso classificador atingiu um AUC de 0,80 em uma validação cruzada de cinco vezes. Nosso trabalho fornece um algoritmo baseado em H & ampE que pode prever o status de HER2 e a resposta ao trastuzumabe no câncer de mama com uma precisão melhor do que IHC e pode beneficiar avaliações clínicas.


PRONTO PARA DAR O PRÓXIMO PASSO?

Pharma

Análise de imagem baseada em células, ensaios e parceria para avançar em testes clínicos e aceitação regulatória.

Diagnóstico Clínico

Testes de diagnóstico clínico confiáveis ​​para conectar pacientes a terapias imunoncológicas individualizadas.

Recursos Relacionados

Cartazes e Publicações

Sobre as principais biociências

Somos uma equipe multidisciplinar de patologistas, biólogos, analistas, engenheiros de software e técnicos que estão comprometidos em criar abordagens bem-sucedidas que combinam pacientes com medicamentos que salvam vidas.
Saiba mais & gt

Conecte-se conosco

11800 Ridge Parkway, Suite 450
Broomfield, CO 80021
303.325.5894

  • Copyright 2021 Flagship Biosciences Inc.
  • Política de Privacidade
  • 11800 Ridge Parkway, Suite 450, Broomfield, CO 80021

Visão geral da privacidade

Os cookies necessários são absolutamente essenciais para o funcionamento adequado do site. Esses cookies garantem funcionalidades básicas e recursos de segurança do site, de forma anônima.

BiscoitoDuraçãoDescrição
cookielawinfo-checbox-analytics11 mesesEste cookie é definido pelo plug-in GDPR Cookie Consent. O cookie é usado para armazenar o consentimento do usuário para os cookies na categoria "Analytics".
cookielawinfo-checbox-funcional11 mesesO cookie é definido pelo consentimento do cookie GDPR para registrar o consentimento do usuário para os cookies na categoria "Funcional".
cookielawinfo-checbox-others11 mesesEste cookie é definido pelo plug-in GDPR Cookie Consent. O cookie é usado para armazenar o consentimento do usuário para os cookies na categoria "Outros.
cookielawinfo-checkbox-needed11 mesesEste cookie é definido pelo plug-in GDPR Cookie Consent. Os cookies são usados ​​para armazenar o consentimento do usuário para os cookies na categoria "Necessário".
cookielawinfo-checkbox-performance11 mesesEste cookie é definido pelo plug-in GDPR Cookie Consent. O cookie é usado para armazenar o consentimento do usuário para os cookies na categoria "Desempenho".
visualizado_cookie_policy11 mesesO cookie é definido pelo plug-in GDPR Cookie Consent e é usado para armazenar se o usuário consentiu ou não com o uso de cookies. Ele não armazena nenhum dado pessoal.

Os cookies funcionais ajudam a realizar certas funcionalidades, como compartilhar o conteúdo do site em plataformas de mídia social, coletar feedbacks e outros recursos de terceiros.

Os cookies de desempenho são usados ​​para compreender e analisar os principais índices de desempenho do site, o que ajuda a fornecer uma melhor experiência do usuário para os visitantes.

Cookies analíticos são usados ​​para entender como os visitantes interagem com o site. Esses cookies ajudam a fornecer informações sobre as métricas do número de visitantes, taxa de rejeição, origem do tráfego, etc.

Os cookies de publicidade são usados ​​para fornecer aos visitantes anúncios e campanhas de marketing relevantes. Esses cookies rastreiam visitantes em sites e coletam informações para fornecer anúncios personalizados.

Outros cookies não categorizados são aqueles que estão sendo analisados ​​e ainda não foram classificados em uma categoria.