Automating tumor-infiltrating lymphocyte assessment in breast cancer histopathology images using QuPath: a transparent and accessible machine learning pipeline
Created by
Haebom
저자
Masoud Tafavvoghi, Lars Ailo Bongo, Andre Berli Delgado, Nikita Shvetsov, Anders Sildnes, Line Moi, Lill-Tove Rasmussen Busund, Kajsa M{\o}llersen
개요
본 연구는 QuPath 내에서 종양 침윤 림프구(TILs) 평가 파이프라인을 구축하여 쉽게 접근 가능한 도구를 사용하여 복잡한 작업을 완전 자동으로 수행할 수 있는 가능성을 보여주었습니다. 먼저, 유방암 H&E 염색 전슬라이드 이미지(WSI)에서 종양, 종양 관련 기질 및 기타 조직 구획을 분할하는 픽셀 분류기를 훈련하여 후속 분석을 위한 종양 관련 기질을 분리했습니다. 다음으로, QuPath에서 사전 훈련된 StarDist 심층 학습 모델을 적용하여 세포를 검출하고 추출된 세포 특징을 사용하여 TILs와 다른 세포를 구분하는 이진 분류기를 훈련했습니다. TILs 평가 파이프라인을 평가하기 위해 각 WSI에서 TIL 밀도를 계산하고 낮음, 중간, 높음의 세 가지 TIL 수준으로 분류했습니다. 외부 테스트 세트에서 병리학자의 TIL 점수와 비교하여 Cohen의 kappa 값 0.71을 달성하여 이전 연구 결과를 뒷받침했습니다. 이러한 결과는 기존 소프트웨어가 유방암 H&E 염색 WSI에서 TILs 평가를 위한 실용적인 솔루션을 제공할 수 있음을 확인합니다.
시사점, 한계점
•
시사점:
◦
쉽게 접근 가능한 QuPath 소프트웨어를 이용하여 TILs 평가를 자동화할 수 있는 파이프라인을 제시함으로써, TILs 분석의 효율성 및 접근성을 높였습니다.
◦
병리학자의 평가와 높은 일치도(Cohen's kappa 0.71)를 보여주어, 개발된 파이프라인의 정확성을 입증했습니다.
◦
기존 심층 학습 모델과 소프트웨어를 활용하여 TILs 분석의 실용적인 해결책을 제시했습니다.
•
한계점:
◦
본 연구는 유방암 H&E 염색 WSI에만 국한되어 있으며, 다른 암종이나 염색 방법에 대한 일반화 가능성은 추가 연구가 필요합니다.
◦
사용된 데이터셋의 규모와 다양성에 따라 성능이 달라질 수 있습니다. 더 큰 규모의 다양한 데이터셋으로의 검증이 필요합니다.
◦
파이프라인의 모든 단계가 완전 자동화되었지만, 초기 설정이나 파라미터 조정 등은 전문가의 개입이 필요할 수 있습니다.
