A novel topology-guided adaptive strategy for automated nuclear-cytoplasmic H-Score quantification in immunohistochemistry
Dit artikel introduceert een open-source, training-vrije ImageJ/Fiji-plugin die StarDist-nucleaire detectie combineert met een topologie-gestuurde Voronoi-gebaseerde segmentatiestrategie en adaptieve kalibratie om een uiterst nauwkeurige, reproduceerbare geautomatiseerde kwantificering van nucleaire en cytoplasmatische H-scores over diverse immunohistochemische datasets heen te bereiken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In de wereld van de moderne geneeskunde vertrouwen artsen vaak op een techniek die immunohistochemie wordt genoemd om te zien wat er in de cellen van een patiënt gebeurt. Stel je een weefselmonster uit een biopsie voor als een klein, bevroren landschap. Om te begrijpen of een patiënt kanker heeft of hoe agressief dit kan zijn, kleuren wetenschappers dit landschap met speciale kleurstoffen die zich hechten aan specificaties eiwitten. Sommige eiwitten gloeien in de kern, het commandocentrum van de cel, terwijl andere oplichten in het cytoplasma, het levende materiaal dat de kern omringt. De intensiteit en de hoeveelheid van deze kleur vertellen een verhaal over de ziekte. Decennialang hebben pathologen door microscopen gekeken om deze kleuren in te schatten, waarbij ze een score toekenden op basis van hoe donker de kleuring is en hoeveel cellen gekleurd zijn. Deze score, bekend als een H-score, helpt bij het sturen van behandelbeslissingen. Het bekijken van duizenden van deze kleine, drukke landschappen met het blote oog is echter traag, uitputtend en foutgevoelig. Twee verschillende artsen kunnen naar dezelfde slide kijken en iets anders zien, en de verlichting of de chemische batch die voor de kleuring is gebruikt, kan de manier waarop de kleuren verschijnen veranderen, wat het moeilijk maakt om resultaten van het ene ziekenhuis met het andere te vergelijken.
Een team van onderzoekers heeft nu een nieuwe digitale tool ontwikkeld die ontworpen is om deze problemen op te lossen, door een subjectieve visuele schatting om te zetten in een precieze, geautomatiseerde meting. Werkend binnen een veelgebruikt beeldanalyseprogramma genaamd ImageJ, hebben zij een plugin gemaakt die fungeert als een onvermoeibare, perfect consistente assistent voor pathologen. Deze software telt niet alleen cellen; het begrijpt de complexe, drukke aard van weefsel waar cellen dicht tegen elkaar aan liggen. In veel bestaande computerprogramma's, wanneer cellen dicht op elkaar gepakt zitten, heeft de software moeite om te bepalen waar de ene ophoudt en de volgende begint, waardoor ze vaak worden samengevoegd tot één enkele vlek. Dit nieuwe instrument gebruikt een slimme geometrische strategie om onzichtbare lijnen tussen cellen te trekken, waardoor elke cel zijn eigen duidelijke territorium behoudt, zelfs wanneer ze dicht op elkaar geperst zijn. Het lost ook het probleem van veranderende kleuren op. In plaats van één enkele, rigide regel te gebruiken om te bepalen wat "donker" of "licht" is voor elke individuele slide, stelt de software een gebruiker in staat om een referentievoorbeeld uit de huidige batch monsters aan de software te tonen. Het instrument leert vervolgens van dat voorbeeld wat de kleuren betekenen voor die specifieke set slides, en past zijn visie aan om overeen te komen met de realiteit van de kleuring, in plaats van de kleuring te dwingen in een vooraf ingestelde regel te passen.
De onderzoekers testten dit systeem op een enorme collectie van 752 afbeeldingen die een grote verscheidenheid aan kleuringscondities vertegenwoordigen, van zeer licht tot zeer donker. Ze vergeleken de scores van de computer met de scores die door ervaren menselijke clinici waren gegeven. De resultaten waren opvallend dichtbij elkaar. Wanneer de software zijn adaptieve leermethode gebruikte, kwamen de scores bijna perfect overeen met die van de menselijke experts, met een verschil van gemiddeld minder dan drie punten op een schaal die tot 300 loopt. In contrast hiermee maakten een simpelere versie van de software, die niet aanpasbaar was aan de specifieke batch slides, veel grotere fouten en onderschatten de scores vaak aanzienlijk. Het team testte het instrument ook op duizenden weefselmonsters uit een publieke database die veel verschillende soorten kanker beslaat. Of het nu keek naar eiwitten binnen de celkern of naar die drijven in het omringende cytoplasma, de geautomatiseerde scores stemden consequent overeen met de expertannotaties in de database. De software bewees dat hij de rommelige realiteit van biologisch weefsel kon aanpakken, waarbij de nauwkeurigheid behouden bleef, zelfs wanneer cellen dicht op elkaar gepakt waren of wanneer de kwaliteit van de kleuring per slide varieerde.
Wat deze ontwikkeling bijzonder significant maakt, is de toegankelijkheid ervan. Veel geavanceerde medische beeldvormingstools vereisen dure, gespecialiseerde computers of complexe programmeerkennis om te bedienen, wat het gebruik beperkt tot goed gefinancierde onderzoekslaboratoria. Dit nieuwe instrument draait echter als een eenvoudige plugin binnen ImageJ, een gratis en open-source programma dat al door duizenden onderzoekers en pathologen wereldwijd wordt gebruikt. Het vereist geen speciale hardware of programmeerkennis om te gebruiken. Een gebruiker laadt simpelweg de afbeeldingen, selecteert een referentieslide om het systeem te kalibreren, en laat de software de hele batch automatisch verwerken. De onderzoekers toonden aan dat deze aanpak honderden afbeeldingen op een consistente, reproduceerbare manier kon verwerken, waardoor de vermoeidheid en variabiliteit die gepaard gaan met handmatig tellen worden weggenomen. Door deep learning te integreren voor het vinden van celcentra met een topologische methode voor het definiëren van celgrenzen, overbrugt dit instrument de kloof tussen hoogtechnologische precisie en alledaagse klinische bruikbaarheid.
De studie bevestigt dat deze geautomatiseerde workflow betrouwbaar de eiwitexpressie kan kwantificeren in zowel nucleaire als cytoplasmatische targets over diverse kankertypes heen. De onderzoekers merkten op dat hoewel het instrument uitzonderlijk goed presteerde op de datasets die zij testten, inclusief monsters uit de Human Protein Atlas, de validatie beperkt was tot specifieke biomarkers en publieke datasets. Zij erkennen dat toekomstig werk nodig zal zijn om uit te breiden naar meer typen ziekten en gespecialiseerde specimens, zoals die gerelateerd aan bottumoren, om de reikwijdte ervan volledig vast te stellen. Desalniettemin blijft de kernbevinding staan: door slimme geometrische grenzen te combineren met flexibele kalibratie, is het mogelijk om een digitale patholoog te creëren die zowel accuraat als gemakkelijk in gebruik is. Deze aanpak biedt een pad naar meer gestandaardiseerde, high-throughput analyse in de digitale pathologie, waardoor wordt gewaarborgd dat de scores die de patiëntenzorg sturen gebaseerd zijn op consistente, objectieve gegevens in plaats van de fluctuerende condities van een enkel laboratorium of de vermoeidheid van een enkele waarnemer.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.