H&E-Referenced Multiplex Immunofluorescence Interpretation in TMA Cores: Spatial Co-localization, Cell Feature Validation, and Virtual H&E Generation

Resumen Técnico: Interpretación de la Inmunofluorescencia Multiplex Referenciada por H&E en Núcleos de TMA

Planteamiento del Problema
La inmunofluorescencia multiplexada (MxIF) ofrece un fenotipado de células inmunitarias de alta dimensión, esencial para caracterizar el microambiente tumoral inmunológico (TIME). Sin embargo, la MxIF enfrenta desafíos para su adopción clínica debido a la degradación de la señal durante el teñido cíclico complejo y la falta de un contexto morfológico estándar. Los patólogos dependen tradicionalmente de la tinción de Hematoxilina y Eosina (H&E) para la morfología y el diagnóstico del tejido. Si bien la integración de la MxIF con la H&E es deseable, lograr la correspondencia espacial a nivel de célula entre estas modalidades es difícil. El registro basado directamente en píxeles es computacionalmente prohibitivo para imágenes de diapositivas completas (WSI) de gran tamaño y a menudo falla debido a las diferencias drásticas en el contenido (por ejemplo, la unión de marcadores específicos frente a la morfología general) y los artefactos del tejido (por ejemplo, desgarros, pliegues). Además, aunque la H&E re-teñida (en la misma sección) proporciona la referencia ideal, no siempre está disponible; a menudo se utilizan secciones seriadas (cortes adyacentes), las cuales carecen de una correspondencia uno a uno entre células. Existe una necesidad práctica de un marco robusto y automatizado para alinear estas modalidades con el fin de validar las características celulares y generar referencias virtuales de H&E.

Metodología
Los autores proponen un marco centrado en las células que formula la alineación de las imágenes de MxIF y H&E como un problema de registro de conjuntos de puntos, utilizando los centroides celulares derivados de la segmentación como puntos de anclaje. El flujo de trabajo consta de las siguientes etapas:

1. Segmentación Celular: Se detectan los núcleos celulares tanto en las imágenes de MxIF como en las de H&E mediante modelos de segmentación (específicamente StarDist y Watershed). Los centroides de estas células sirven como nubes de puntos para la alineación.
2. Alineación Global (Coherent Point Drift - CPD): Se estima una matriz de transformación global (escala, rotación, traslación) utilizando CPD. El algoritmo trata una nube de puntos como un Modelo de Mezcla Gaussiana (GMM) y actualiza iterativamente los parámetros para alinearla con la otra. Para reducir los grados de libertad, las coordenadas de los píxeles se convierten a micrómetros, fijando el factor de escala.
3. Refinamiento Local (Emparejamiento de Grafos): Para mejorar la consistencia local y establecer una correspondencia uno a uno, los autores aplican el Emparejamiento de Grafos (GM).
   • Creación de Subgrafos: Se muestrean células de regiones densas (identificadas mediante Estimación de Densidad de Kernel) para formar grafos de origen (H&E) y de destino (MxIF). Los bordes se definen por proximidad (por ejemplo, <15 μm).
   • Emparejamiento de Nodos: Se construyen matrices de afinidad basadas en características de los nodos (morfología como perímetro/solidez) y características de los bordes (relaciones estructurales). Un resolvedor de Caminata Aleatoria Reponderada (RRWM) refina las puntuaciones de emparejamiento.
   • Filtrado: Se aplica el Emparejamiento de Preservación de Localidad (LPM) para filtrar pares de nodos no fiables, asegurando que el emparejamiento final preserve las relaciones de vecindad espacial.
4. Aplicaciones Derivadas:
   • Validación de Características: Las coordenadas alineadas permiten la comparación cuantitativa de las características morfológicas y de tinción (por ejemplo, intensidad de DAPI frente a Hematoxilina) entre las modalidades.
   • Generación de H&E Virtual: Utilizando los pares alineados, se entrena una Red Neuronal Generativa Antagónica condicional (cGAN). La entrada consiste en canales de MxIF (DAPI, NAK, PANCK) y la salida es una imagen de H&E "virtual" generada.

Resultos Clave

• Precisión de la Alineación: El marco logró una alineación aproximada a nivel de célula tanto para secciones re-teñidas como para secciones seriadas de núcleos de TMA de ovario.
  • Para las secciones re-teñidas, el error promedio de distancia de puntos de referencia ($\Delta D$) fue de $32.47 \pm 27.25$ μm, con errores de traslación y rotación de $6.94 \pm 4.73$ μm y $1.26 \pm 0.98$ grados, respectivamente.
  • Para las secciones seriadas, los errores fueron mayores ($\Delta D = 34.47 \pm 25.71$ μm), particularmente en traslación y rotación, lo que refleja la variabilidad biológica inherente entre cortes adyacentes.
  • El método demostró portabilidad a través de diferentes algoritmos de segmentación (StarDist, Watershed y combinaciones híbridas), donde los enfoques híbridos produjeron en ocasiones métricas de error más bajas.
• Concordancia de Características:
  • Las secciones re-teñidas mostraron una mayor concordancia en la morfología celular y la intensidad de la tinción en comparación con las secciones seriadas.
    as Discrepancias en el recuento de células (por ejemplo, una célula en MxIF que coincide con múltiples en H&E) se atribuyeron en gran medida a inconsistencias de segmentación y desbordamiento de señal (signal spillover) más que a un fallo de alineación.
  • La densidad y composición celular regional mostraron una alta similitud entre las modalidades alineadas, a pesar de las diferencias en los recuentos absolutos.
• Generación de H&E Virtual:
  • El modelo cGAN generó imágenes de H&E virtuales que fueron visualmente superiores a la H&E virtual proporcionada por los proveedores (que a menudo eran oscuras y carecían de detalle).
  • Las métricas cuantitativas (PSNR, VIF, SSIM) indicaron una alta similitud entre las imágenes generadas y la H&E real.
  • Evaluación Ciega: En una prueba ciega con patólogos, el 52% de las imágenes de H&E virtuales fueron identificadas correctamente como "reales" (o indistinguibles de las reales), en comparación con una línea base del 50%. Las imágenes generadas preservaron el contexto tisular y las distribuciones de composición celular (inflamatorio frente a neoplásico) con alta fidelidad.

Significación y Reivindicaciones
El artículo sostiene que este marco de alineación centrado en las células proporciona una solución práctica para integrar datos de histopatología multimodales sin requerir un marcado manual laborioso o modificaciones significativas en los flujos de trabajo existentes.

• Validación: Permite la validación cruzada de las características celulares, confirmando que las mediciones derivadas de MxIF pueden contextualizarse de manera fiable frente a la morfología de H&E.
• Generación de Referencia: La capacidad de generar H&E virtuales de alta fidelidad a partir de datos de MxIF ofrece una referencia complementaria cuando la H&E re-teñida no está disponible o el tejido está dañado, reduciendo la necesidad de realizar cortes de tejido adicionales.
• Escalabilidad: Al operar sobre los centroides celulares en lugar de los píxeles brutos, el método aborda las restricciones computacionales asociadas con las grandes imágenes histopatológicas.
• Base para el Aprendizaje Futuro: Los autores sugieren que establecer una correspondencia precisa célula a célula resuelve la brecha de granularidad entre modalidades, permitiendo potencialmente futuros enfoques de aprendizaje multimodal de parche a parche o de célula a célula, similares a los modelos de texto e imagen (como CLIP), pero adaptados a la imagen médica.

Los autores mantienen la modestia respecto a la generalizabilidad, señalando que el estudio se limita a una cohorte específica de TMA de ovario y que se requiere una validación adicional en conjuntos de datos más grandes y diversos. Reconocen que, si bien su método maneja bien las transformaciones rígidas, puede enfrentar desafíos con deformaciones tisulares significativas en imágenes de diapositivas completas que no sean de TMA.