基于DRAQ5&Eosin荧光成像与定量特征识别的前列腺癌微环境空间表征研究

《Journal of Pathology Informatics》:Spatial characterization of prostate cancer microenvironment with DRAQ5&Eosin fluorescence imaging and quantitative feature identification

【字体: 大 中 小 】 时间:2026年10月11日 来源:Journal of Pathology Informatics CS8.8

编辑推荐:

  基于DRAQ5&Eosin荧光成像与定量特征识别的前列腺癌微环境空间表征 研究人员从前列腺腺癌组织的DRAQ5&Eosin荧光图像中提取了手工设计的定量特征。研究人员使用梯度提升算法(gradient boosting)对前列腺肿瘤微环境进行了空间表征。研究

  
基于DRAQ5&Eosin荧光成像与定量特征识别的前列腺癌微环境空间表征

研究人员从前列腺腺癌组织的DRAQ5&Eosin荧光图像中提取了手工设计的定量特征。研究人员使用梯度提升算法(gradient boosting)对前列腺肿瘤微环境进行了空间表征。研究人员识别并可视化了来自上皮组织和周围微环境中与癌症进展相关的重要核和细胞质特征。
前列腺癌是2022年全球新发病例约140万例、死亡近40万例的常见恶性肿瘤。其诊断与分级主要依赖病理医师对苏木精-伊红(H&E)染色组织切片的视觉评估并赋予Gleason分级,但该方法受个体经验影响,存在观察者间和观察者内差异。数字病理学与pathomics(病理组学)通过提取可量化图像特征有望提高分类的客观性与可重复性。然而,现有pathomics研究多采用标准H&E染色,而荧光显微镜(FM)结合DRAQ5(核酸/DNA特异性染料)与伊红荧光染色可同时提供高分辨率的细胞核与细胞质图像,可能实现更精准的组织微环境空间特征识别。本研究旨在利用DRAQ5&Eosin荧光图像,通过pathomics特征提取与机器学习方法,量化健康、低级别与高级别前列腺癌组织中上皮和基质区域的结构改变,并识别潜在空间生物标志物。研究假设包括:荧光衍生的工程化pathomics能够区分健康与癌症组织以及高级别与低级别癌症;DRAQ5&Eosin图像中癌症相关结构变化在上皮中强于基质;形态、强度和纹理特征能捕获癌症进展相关的组织失序。

研究人员使用训练/验证数据集开展模型开发,该数据集包括两个商业组织微阵列(TMA)A和B(各包含49针活检核心)以及来自威尔士癌症生物库(WCB)的一个TMA(103个核心);外部测试集来自WCB的另外10个核心,且与训练集无患者重叠。研究人员采用DRAQ5和伊红荧光染色成像,通过Multi Otsu阈值法生成细胞核与细胞质掩膜,并利用U-Net模型细化上皮掩膜。将图像裁剪为小、中、大三种尺寸,使用SPAARC管道提取形态、强度直方图、灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)等812个特征,并采用固定bin数(FBN)和固定bin宽(FBS)两种离散化方法及多个bin值。使用XGBoost构建上皮特征和基质特征两类二分类模型(健康 vs 低级别、健康 vs 高级别、低级别 vs 高级别),采用分组5折交叉验证(按患者分组)并进行超参数网格搜索,最后在外部测试集评估,利用SHAP值进行特征解释。

Optimal configurations(最优配置):在训练/验证数据集上,通过平均F1分数比较,FBN离散化优于FBS。每个模型的最优bin数和裁剪尺寸见表2,例如上皮模型低级别vs健康采用large/16,高级别vs健康采用large/64,高级别vs低级别采用large/8;基质模型分别采用small/32、medium/8、large/8。说明通过系统比较确定最佳特征提取配置。

External testing data machine learning results(外部测试数据机器学习结果):在10个外部测试患者核心上,上皮模型对高级别vs健康的准确率为80.04%,AUC为0.896;低级别vs健康准确率62.19%,AUC0.646;高级别vs低级别准确率72.13%,AUC0.759。基质模型对低级别vs健康准确率74.05%,AUC0.777;高级别vs健康准确率77.25%,AUC0.840;高级别vs低级别准确率70.98%,AUC0.742。患者水平多数投票显示,上皮模型正确分类所有5个低级别患者,但将5个高级别患者中的2个误分类为低级别;基质模型除将1个低级别患者误分类为高级别外其余类似。SHAP分析识别出多个重要特征:在上皮核中,DRAQ5最大强度、最大梯度、变异系数、方差、范围、偏度与癌症预测正相关,而中位数、均值、第10百分位负相关;在上皮细胞质中,eosin能量正相关,最小强度和10%-90%体积分数差负相关。基质区域中,DRAQ5最大强度、四分位距、方差、鲁棒平均绝对偏差、中位绝对偏差等正相关,最大梯度、偏度、第10百分位负相关;eosin基质中最大强度、范围、方差、最大梯度、最小梯度、第90百分位正相关,最小强度负相关。形态特征方面,上皮核和细胞质的面积密度与癌症进展正相关;基质低级别vs健康模型中面积密度负相关而短轴长度正相关,高等级vs健康中伸长率正相关而长轴负相关,高vs低模型中则相反。纹理特征中,NGLDM依赖计数非均匀性、GLRLM短游程优势、GLDZM短距离优势等正相关;GLDZM大距离高灰度优势、GLCM簇阴影、GLRLM游程长度方差等负相关。说明梯度提升模型结合SHAP能够揭示与癌症进展相关的空间特征模式。

讨论部分总结:本研究表明上皮和基质特征模型均能有效区分健康与癌变组织。低级别vs健康分类中基质模型优于上皮模型,提示基质微环境在前列腺癌发生中的重要性。癌症进展相关的组织失序可通过核和胞质的强度及纹理特征量化,如核最大梯度、变异系数和纹理非均匀性增加,可能关联染色质失调、表观遗传修饰、上皮-间质转化等生物学过程;基质异质性可能与反应性间质中肌成纤维细胞、癌相关成纤维细胞及细胞外基质重塑有关。与既往H&E-based pathomics研究(如Garcia等AUC 0.922;Brancato等AUC 0.97–0.99)相比,本研究结果具有可比性,且基于可解释特征的方法优于深度学习黑盒模型。局限性包括数据集规模小(外部测试仅10个患者)、掩膜依赖U-Net细化、病理医师标注一致性(平均Cohen kappa 0.857)等。未来需更大数据集和多医师共识标注,并探索Gleason 4/5细分及特殊组织学模式。

结论:本解释性研究展示了一种使用荧光核和细胞质标记对前列腺微环境上皮和基质区域进行空间特征描述的计算方法,并表明这些特征可通过特征提取和梯度提升算法与健康、低级别和高级别癌症表型相关联。值得注意的是,基质模型在部分情况下具有与上皮模型相当甚至更高的预测力,凸显了基质与上皮组织在癌症发生发展中的关键关系。识别的空间生物标志物可能与低分化前列腺癌的已知生物学过程建立有意义的联系。未来在不同数据集上的重复和可重复性研究将增强这些空间生物标志物的适用性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号