Immunocto: a massive immune cell database auto-generated for histopathology
Created by
- Haebom
Category
Empty
저자
Mikael Simard, Zhuoyan Shen, Konstantin Brautigam, Rasha Abu-Eid, Maria A. Hawkins, Charles-Antoine Collins-Fekete
개요
본 논문은 암 면역 미세 환경(TIME) 연구를 위한 대규모 세포 데이터베이스인 Immunocto를 소개합니다. 일상적인 조직병리학 검사에서 얻은 H&E 염색 조직 절편의 디지털화된 고해상도 광학 이미지와 자동 면역 세포 탐지 및 분류 방법을 결합하여 TIME을 특성화하는 접근 방식을 제시합니다. Segment Anything Model을 활용하여 H&E 및 다중 면역형광(IF) 마커로 이중 염색된 조직 절편에서 강력한 단일 세포 윤곽선과 레이블을 자동으로 생성하는 워크플로우를 개발하였습니다. 이 방법론을 통해 6,848,454개의 인간 세포 및 물체(그 중 2,282,818개는 면역 세포)를 포함하는 Immunocto 데이터베이스를 생성하였으며, CD4$^+$ T 세포 림프구, CD8$^+$ T 세포 림프구, CD20$^+$ B 세포 림프구, CD68$^+$/CD163$^+$ 대식세포 등 4가지 하위 유형으로 분류되었습니다. 각 세포에 대해 40배 배율의 64x64 픽셀$^2$ H&E 이미지와 핵의 이진 마스크, 레이블을 제공하며, 공개적으로 이용 가능합니다. Immunocto를 사용하여 훈련된 심층 학습 모델은 림프구 탐지에서 최첨단 성능을 달성함을 보여줍니다.
시사점, 한계점
•
시사점:
◦
Segment Anything Model을 이용한 자동화된 세포 분할 및 라벨링으로 기존 단일 세포 데이터베이스 구축에 비해 인력 투입을 최소화했습니다.
◦
대규모, 다중 유형의 면역 세포 데이터를 포함하는 Immunocto 데이터베이스를 공개하여 TIME 연구 및 컴퓨터 병리학 응용 분야에 기여합니다.
◦
Immunocto 기반 심층 학습 모델은 림프구 탐지에서 우수한 성능을 보여줍니다.
◦
H&E 및 IF 데이터의 매칭 사용을 통해 강력한 데이터베이스를 생성하여 컴퓨터 병리학 응용 분야의 이점을 보여줍니다.
•
한계점:
◦
현재 데이터베이스는 특정 유형의 암이나 조직에만 국한될 수 있으며, 다양한 암 종류와 조직 유형에 대한 데이터 확장이 필요합니다.
◦
Segment Anything Model의 성능에 의존적이므로, 모델의 한계가 데이터베이스의 정확성에 영향을 미칠 수 있습니다.
◦
다중 면역형광(IF) 마커 사용에 따른 비용 및 시간적 제약이 존재할 수 있습니다.
◦
데이터베이스의 균형을 위한 추가적인 검증 및 보정 작업이 필요할 수 있습니다.
