Sommaire
Un nouvel outil basé sur l’IA convertit les images histologiques courantes en marqueurs de cancer détaillés et multicouches, promettant des diagnostics plus rapides et plus précis et de meilleurs résultats pour les patients.
Dans une étude récente publiée dans Nature Intelligence artificielleles chercheurs ont développé VirtualMultiplexer, un outil de coloration virtuellement multiplexé basé sur l'intelligence artificielle générative (IA) qui convertit les images d'hématoxyline et d'éosine (H&E) en images d'immunohistochimie (IHC) pour plusieurs marqueurs d'anticorps (un marqueur à chaque fois).
Arrière-plan
Les tissus sont des écosystèmes structurés spatialement composés de diverses cellules et substances non cellulaires. L'H&E est une technique de coloration importante utilisée dans les processus d'histopathologie pour examiner la morphologie tissulaire associée à la maladie. L'H&E détecte la prolifération cellulaire aberrante, l'invasion lymphovasculaire et l'infiltration de cellules immunitaires dans le cancer.
La compréhension de l’hétérogénéité spatiale des tumeurs est essentielle à la biologie du cancer. Les processus actuels reposent sur des procédures longues et gourmandes en tissus, ce qui entraîne des images mal alignées. La coloration artificielle des images de tissus par IA est une alternative prometteuse, rentable et facilement accessible.
À propos de l'étude
Dans la présente étude, les chercheurs ont créé l'outil VirtualMultiplexer pour fournir des images d'immunohistochimie virtuellement multiplexées pour divers marqueurs d'anticorps sur la base d'une image colorée H&E en entrée. Les marqueurs d'anticorps comprennent le récepteur des androgènes (AR), la protéine homéobox Nkx-3.1 (NKX3.1), le cluster de différenciation 44 (CD44), le CD146, le p53 et le gène spécifique lié à la transformation des érythroblastes (ERG).
L'équipe a formé VirtualMultiplexer sur des images originales non appariées colorées par H&E (source) et des images immunohistochimiques (cible). Le modèle a divisé les images en patchs et les a transmises à des réseaux générateurs, qui ont conditionné l'entrée et la sortie. Le modèle a traduit les schémas de coloration en formes de tissus. Les patchs IHC produits ont été assemblés pour former des images IHC virtuelles.
VirtualMultiplexer fournit une architecture reproduisant l'examen par des experts humains aux niveaux de la cellule unique, du voisinage cellulaire et de l'image complète. Il utilise une perte de voisinage pour garantir que les patchs IHC produits ne peuvent pas être distingués des originaux, en plus des pertes contrastives contradictoires et multicouches dues à la traduction contrastive non appariée (CUT). Les pertes de cohérence globales ont assuré la cohérence du contenu et du style entre les images d'immunohistochimie réelles et virtuelles. Les pertes de cohérence locales ont capturé la représentation originale et les modèles de coloration.
Les chercheurs ont formé l'outil d'IA à l'aide d'un microarray tissulaire (TMA) pour le cancer de la prostate. Le TMA comprenait des images non appariées colorées avec des agents H&E et IHC pour six marqueurs membranaires, cytoplasmiques et nucléaires cliniquement significatifs. Ils ont formé un modèle VirtualMultiplexer individuel distinct pour chaque marqueur IHC individuellement.
Pour garantir la fiabilité de la coloration, ils proposent une technique multi-échelle qui combine trois fonctions de perte distinctes. Les chercheurs ont analysé les images créées en appliquant des critères de fidélité quantitatifs, une évaluation pathologique experte et des évaluations visuelles de Turing avant de déterminer leur signification thérapeutique en estimant les résultats cliniques. Ils ont comparé le VirtualMultiplexer à quatre algorithmes de traduction S2S non appariés de pointe et ont utilisé la distance d'inception de Fréchet (FID) pour évaluer la qualité des images générées par l'IA.
Les chercheurs ont codé des images H&E authentiques, IHC réelles ou IHC virtuelles sous forme de représentations de graphes tissulaires, puis ont utilisé un transformateur de graphes (GT) pour transférer les représentations vers des étiquettes de classe en aval.
Les chercheurs ont utilisé les colorations obtenues dans l'ensemble de données European Multicenter Prostate Cancer Clinical and Translational Research (EMPaCT) pour prédire la survie des patients et la progression de la maladie. Ils ont testé la capacité du modèle à généraliser les données en utilisant les ensembles de données PANDA (Prostate Cancer Grade Assessment) et SICAP, qui comprenaient des biopsies colorées à l'H&E et les scores de Gleason associés. Ils ont appliqué le VirtualMultiplexer pré-entraîné par EMPaCT à une cohorte TMA d'adénocarcinome canalaire pancréatique (PDAC) et ont généré des images IHC virtuelles pour CD44, CD146 et p53, ainsi que des images de lames entières colorées à l'H&E (WSI) de cancer colorectal et du sein à partir de The Cancer Genome Atlas.
Résultats
VirtualMultiplexer a identifié des schémas de coloration physiologiquement significatifs à différentes échelles de tissus sans avoir besoin de coupes de tissus séquentielles, d'enregistrement d'images ou d'annotations approfondies d'experts. Il génère des ensembles de données d'imagerie presque multiplexés avec une excellente qualité de coloration qui sont impossibles à distinguer des données réelles de manière rapide, robuste et exacte. Les chercheurs ont efficacement transposé le modèle à travers les tailles de tissus et les cohortes de patients, indiquant sa capacité à être transféré entre les types de tissus.
VirtualMultiplexer a créé des images IHC virtuelles qui ont conservé la forme du tissu et les schémas de coloration de l'image H&E d'origine. Le modèle avait la valeur la plus basse pour le FID parmi tous les marqueurs d'anticorps (moyenne, 29), systématiquement inférieure à CycleGAN, AI-FFPE CUT et CUT avec normalisation d'instance de noyau (KIN). Dans le test de Turing, le modèle avait une sensibilité de 52 % et une spécificité de 54 % pour les marqueurs d'anticorps. En moyenne, 71 % des images virtuelles avaient une qualité de coloration acceptable, contre 78 % pour les images réelles.
VirtualMultiplexer présente des restrictions, telles qu'un arrière-plan surélevé et des artefacts de mosaïque plus prononcés près de la limite centrale. Il ne colore pas non plus correctement les structures vasculaires CD146+ ou les cellules glandulaires NKX3.1+ envahissant le stroma périglandulaire. Malgré ces difficultés, les images produites ont permis de former des modèles GT de fusion précoce, ce qui a amélioré la prédiction des critères cliniques dans les cohortes de cancer de la prostate hors distribution et de tumeurs, ganglions et métastases PDAC (TNM).
Conclusion
L'étude a montré que VirtualMultiplexer améliore la prédiction clinique dans les processus d'histopathologie et la biologie du cancer en générant des images IHC multiplexées réalistes de haute qualité. Les résultats mettent en évidence l'utilisation thérapeutique de l'imagerie tumorale multiplexée assistée par IA. VirtualMultiplexer est adapté à l'inpainting des données, à l'imputation d'échantillons et à la conception expérimentale pré-histopathologique. Les études futures devraient évaluer l'approche dans des contextes réels.
