利用病理图像和肿瘤数据的新快速方法可能有助于指导癌症治疗
通过结合13种癌症的病理图像数据，并将其与临床和基因组数据相关联，石溪大学领导的研究团队能够识别肿瘤浸润淋巴细胞(TIL)，称为TIL图，这将使癌症专家能够从常规收集的病理切片中生成肿瘤免疫信息。发表在细胞的报道，这篇论文详细介绍了TIL图如何与肿瘤的分子特征和患者生存相关。该方法可能为如何更好地诊断和制定对基于免疫的抗癌治疗有反应的癌症(如黑色素瘤、肺癌、膀胱癌和某些类型的结肠癌)的治疗计划提供了基础。
黄金标准癌症诊断仍然是肿瘤组织活检的病理报告。诊断在如何治疗病人方面起着主导作用。在某些情况下，对于以免疫为基础的疗法治疗的癌症，病理学家的任务还包括观察肿瘤组织的免疫特征，以确定哪些患者最有可能从这些疗法中受益。免疫疗法释放til来摧毁癌细胞。
“这篇论文表明，我们现在可以使用人工智能等深度学习方法，在广泛获得的病理学研究中提取和分类免疫细胞的模式，并将免疫细胞模式与许多其他类型的癌症患者分子和临床数据联系起来。”石溪大学生物医学信息学基立斯主席Joel Saltz医学博士说，他是这篇题为“在病理图像上使用深度学习的肿瘤浸润淋巴细胞的空间组织和分子相关性”的论文的主要作者。
这项研究包括来自石溪大学、德克萨斯大学MD安德森癌症中心、埃默里大学和系统生物学研究所的研究人员。这项工作源于……的努力癌症基因组图谱(TCGA)项目．
在这项研究中，研究人员将机器学习应用于数字化病理用于描述4759名TCGA患者和13种癌症类型中存在的免疫浸润模式的图像，处理来自癌症类型的5000多张数字图像，为每种癌症类型创建“计算染色”。有了这些，他们创建了TIL地图，作为诊断和治疗计划的潜在新指南。
TCGA是由美国国家癌症研究所(NCI)和美国国家人类基因组研究所与全球癌症研究界合作发起的一项为期十年的综合努力。TIL图谱研究是发表在《细胞出版社》上的27篇手稿的一部分，这些手稿传达了TCGA全癌症图谱计划的结果，该计划比较和对比了来自33种不同癌症的10,000多个病例的所有TCGA肿瘤样本的分子特征。
“开发机器学习工具，例如绘制淋巴细胞浸润模式的原理证明项目，对于免疫肿瘤学研究的可重复性很重要，也将允许这些方法开始部署为病理学家的决策支持，因为我们评估和报告我们的病例，以进行常规决策，”MD安德森的病理学和基因组医学教授、合著者亚历山大·拉扎尔(Alexander Lazar)说。
通过石溪大学高级计算科学研究所和信息技术部门提供的高性能计算系统，研究人员能够在数据收集和计算的帮助下开发方法和概念证明。
