Informations

Comment un pathologiste analyserait cette image H&E ?

Comment un pathologiste analyserait cette image H&E ?



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Je travaille sur un projet qui consiste à écrire un logiciel informatique pour analyser des images histologiques. Une image typique ressemble à ceci :

Il s'agit d'une biopsie colorée à l'hématoxyline et à l'éosine d'un tissu cancéreux du sein. Étant un programmeur sans formation en biologie, j'aimerais avoir un aperçu de la façon dont un pathologiste analyse de telles images.

Plus précisement:

  • Quelles cellules sont des cellules cancéreuses et lesquelles sont des cellules régulières ?
  • Une marge invasive (une courbe marquant la limite de l'invasion du cancer dans le tissu) peut-elle être vue sur cette image ?
  • Un pathologiste peut-il fournir une classification TNM en regardant l'image ? Si oui, quelles seraient les valeurs T, N, M, G pour cette image ?

Pr Peter Hamilton

Peter est chef du laboratoire de bioimagerie et d'informatique de pathologie au sein du Centre de recherche sur le cancer et de biologie cellulaire de l'Université Queen's de Belfast. Il est également fondateur et vice-président de la recherche et du développement chez PathXL Ltd, une société mondiale spécialisée dans les logiciels de pathologie numérique pour l'analyse des tumeurs et la découverte de biomarqueurs.

Au cours des 25 dernières années, il a dirigé des recherches sur la pathologie numérique, la vision par ordinateur et la bio-imagerie tissulaire dans le diagnostic et la pathologie moléculaire du cancer pour l'identification par analyse quantitative à haut débit de nouveaux marqueurs de biomarqueurs tissulaires et cellulaires. Pionnier des premières techniques de mesure des tissus, d'analyse d'images, d'informatique pathologique et de découverte de biomarqueurs tissulaires, il a été publié dans plus de 150 publications évaluées par des pairs dans certaines des plus grandes revues mondiales.

Peter a créé le laboratoire de pathologie numérique à l'Université Queens de Belfast avec une gamme complète de technologies de numérisation de diapositives complètes, de techniques d'imagerie spécialisées et de logiciels d'analyse d'images associés, qui sont désormais intégrés au programme plus large du laboratoire de pathologie moléculaire. Il dirige également une équipe de développeurs de logiciels en analyse d'images et en informatique de pathologie, axée sur le développement de nouveaux outils pour l'analyse automatisée de microréseaux tissulaires et l'intégration de données clinogénomiques pour la découverte de biomarqueurs, y compris l'imagerie tissulaire haute performance pour la découverte de biomarqueurs dans le cancer de la prostate.

En tant que responsable informatique de la Northern Ireland Biobank (NIB), une initiative majeure visant à la collecte prospective d'échantillons de tissus cancéreux de haute qualité pour la recherche translationnelle sur le cancer, il supervise l'informatique pour soutenir la collecte de tissus, le suivi, le stockage et la récupération d'échantillons de tissus et intégration de données cliniques, pathologiques et épidémiologiques. Il est également conseiller informatique externe auprès de deux biobanques nationales en Italie et en Afrique du Sud. Il a siégé au groupe d'experts du MRC, au comité de la Société de pathologie, au comité de rédaction du Journal of Pathology et à la Société internationale d'oncologie cellulaire.

En tant que fondateur de PathXL Ltd (www.pathxl.com), le professeur Hamilton a dirigé l'entreprise grâce à des investissements en capital-risque jusqu'à un point où elle dispose désormais d'une équipe de direction expérimentée, avec des ventes à travers le monde et un portefeuille avancé de solutions sophistiquées de pathologie numérique. pour l'enseignement, la recherche et la pratique clinique. Récemment, PathXL Ltd a développé de nouvelles approches pour l'imagerie tumorale, la reconnaissance des cellules cancéreuses, l'analyse de biomarqueurs et l'intégration de données visant à soutenir la pathologie moderne en médecine translationnelle personnalisée. PathXL a remporté le Frost and Sullivan Enabling Technology Award et le European New Product Innovation Award avec sa plateforme TissueMark™ pour l'identification et la mesure automatisées du tissu tumoral pour l'évaluation moléculaire des tumeurs solides. PathXL étend rapidement ses produits logiciels via Xplore pour soutenir l'intégration de la pathologie numérique avec l'intégration des mégadonnées. En plus de PathXL, il siège également au conseil d'administration de plusieurs autres sociétés de biotechnologie dérivées de l'Université Queen's. Le professeur Hamilton a épousé avec succès une carrière universitaire exceptionnelle avec une entreprise de pathologie numérique florissante, dans le but de traduire la recherche universitaire innovante en industrie.


2ieme volume

Matthew G. Hanna , Liron Pantanowitz , dans Encyclopédie du génie biomédical , 2019

L'analyse d'image

L'analyse d'images est l'extraction d'informations significatives à partir d'images. La médecine de précision exige des diagnostics de précision. L'analyse d'images (vision par ordinateur) est une application idéale de la pathologie numérique pour répondre à ce besoin, aidant les pathologistes à passer de la fourniture de rapports qualitatifs (descriptifs) traditionnels à des résultats plus quantitatifs. Des plates-formes logicielles d'analyse d'images spécialisées sont disponibles dans le commerce (par exemple, Visiopharm, Definiens, Indica Labs, Virtuoso de Roche et Genie de Leica). Les analyses sont passées d'images FOV (statiques) à WSI et d'un à plusieurs marqueurs (multiplexage), utilisant souvent même plusieurs couleurs (imagerie multispectrale). Les algorithmes d'image comprennent plusieurs étapes telles que le prétraitement de l'image (par exemple, la normalisation des couleurs), la détection, la segmentation, l'extraction de caractéristiques, la classification et la quantification. Des algorithmes logiciels ont été développés pour identifier des événements rares (p. ex., dépistage des micro-organismes, comptage des mitoses et détection des micrométastases dans les ganglions lymphatiques) et quantifier les taches (p. stéatose hépatique). Ils peuvent également analyser les modèles spatiaux et la distribution des caractéristiques mieux que les humains.

L'analyse d'images présente plusieurs avantages. Les algorithmes offrent une meilleure précision, car ils fournissent des mesures quantitatives plus précises et même continues par rapport aux humains. L'utilisation d'algorithmes d'image permet également la standardisation grâce à des résultats plus reproductibles, en particulier pour les catégories de notation intermédiaires et les systèmes de notation complexes. L'analyse d'image automatisée peut réduire la consommation de temps des pathologistes, en particulier pour effectuer des tâches banales comme le comptage. L'analyse d'images promet d'introduire la CAO, aidant les pathologistes à trouver, diagnostiquer et classer le cancer. Avec l'apprentissage en profondeur et les réseaux de neurones alambiqués, il a été démontré que certains algorithmes aident même à prédire les diagnostics de cancer.


Types de pathologie

Il existe trois principaux sous-types de pathologie : la pathologie anatomique, la pathologie clinique et la pathologie moléculaire. Ces sous-types peuvent être divisés en catégories encore plus spécifiques. La pathologie est un domaine diversifié car il existe tant de maladies différentes et de façons d'étudier les maladies.

Pathologie anatomique

La pathologie anatomique est l'étude de caractéristiques anatomiques, telles que des tissus prélevés sur le corps, voire un corps entier dans le cas d'une autopsie, pour diagnostiquer et accroître la connaissance de la maladie. La pathologie anatomique peut inclure l'examen des cellules au microscope, mais elle implique également l'examen des organes en général (par exemple, une rupture de la rate). Il comprend également l'étude des propriétés chimiques des cellules et de leurs marqueurs immunologiques. Il existe plusieurs grandes sous-catégories de pathologie anatomique :

  • Pathologie chirurgicale est l'examen des tissus prélevés pendant la chirurgie. Un exemple courant est l'examen d'un petit morceau de tissu tumoral pour déterminer si la tumeur est maligne (cancéreuse) ou bénigne et établir un diagnostic. Cette procédure s'appelle une biopsie.
  • Histopathologie est l'examen de cellules au microscope qui ont été colorées avec un colorant pour les rendre visibles ou plus faciles à voir. Souvent, les anticorps sont utilisés pour marquer différentes parties des cellules avec différentes couleurs de colorant ou de fluorescence. Après la généralisation du microscope en pathologie, de nombreuses méthodes différentes de préservation et de teinture des tissus ont été développées.
  • Cytopathologie est l'étude de petits groupes de cellules excrétées dans les fluides corporels ou obtenues par grattage, telles que celles prélevées lors d'un frottis cervical. Un test Pap détecte le cancer du col de l'utérus et certains types d'infections. Les cellules sont prélevées par écouvillonnage du col de l'utérus, puis traitées et examinées au microscope pour vérifier les anomalies.

La pathologie clinique

  • Pathologie chimique, ou chimie clinique, implique l'analyse chimique des fluides corporels, par des tests et la microscopie. Généralement, la pathologie chimique implique l'étude du sang et de ses composants immunitaires comme les globules blancs.
  • Hématologie est également liée à l'étude du sang, mais elle a plus à voir avec l'identification spécifique des maladies du sang que la pathologie chimique. Les hématologues étudient également le système lymphatique et la moelle osseuse, qui sont d'autres parties du système hématopoïétique.
  • Immunologie, ou immunopathologie, est l'étude des troubles du système immunitaire. Il traite des réponses immunitaires aux molécules étrangères, des allergies, des immunodéficiences et du rejet de greffe d'organe.

Pathologie moléculaire

La pathologie moléculaire est l'étude des anomalies des tissus et des cellules au niveau moléculaire. Il s'agit d'une vaste catégorie utilisée pour désigner l'étude de la maladie de tout organe ou tissu du corps en examinant les molécules présentes dans les cellules. Il peut combiner des aspects de la pathologie anatomique et clinique. Certaines techniques pouvant être utilisées en pathologie moléculaire comprennent la réaction en chaîne par polymérase (PCR) pour amplifier l'ADN, le marquage par fluorescence, l'imagerie caryotypique des chromosomes et les puces à ADN (petits échantillons d'ADN placés sur des biopuces).


Des chercheurs développent un modèle de souris pour identifier et étudier la dynamique vasculaire des lésions CCM conduisant à une hémorragie cérébrale, des accidents vasculaires cérébraux et des crises d'épilepsie

Le chercheur de Yale, Huanjiao Jenny Zhou (pathologie) et d'autres chercheurs de l'École de médecine ont établi un modèle de souris pour les malformations cérébrales caverneuses (« CCM ») qui « identifie et découvre le mécanisme dans lequel la mutation CCM3 induite par la signalisation cavéole-Tie2 contribue à la pathogenèse du CCM ».

Les malformations caverneuses cérébrales (MCC) sont des « anomalies vasculaires qui surviennent principalement à l'âge adulte et entraînent des hémorragies cérébrales, des accidents vasculaires cérébraux et des convulsions ». Les CCM peuvent être initiés par une « perte de cellules endothéliales (CE) de l'un des trois gènes Ccm : CCM1 (KRIT1), CCM2 (OSM) ou CCM3 (PDCD10).

Le Dr Zhou et ses collègues de recherche utilisent des souris « avec une délétion cérébrale spécifique à la CE de Pdcd10 (Pdcd10BECKO) » ​​qui survivent généralement entre 6 et 12 mois. Au cours de cette période, les souris développent de véritables lésions CCM dans toutes les régions de leur cerveau, ce qui a permis à l'équipe de recherche d'étudier la "dynamique vasculaire des lésions CCM en utilisant la microscopie transcrânienne à deux photons".

Ces chercheurs ont non seulement créé un modèle de souris CCM qui étudie les anomalies vasculaires, mais ils ont également identifié "la signalisation du récepteur Tie2 à médiation par les caveoles en présence de son ligand Angpt2 qui peut offrir une approche thérapeutique pour traiter la maladie CCM".

Les autres membres de l'équipe de recherche de Yale comprennent : Lingfeng Qin, Quan Jiang, Haifeng Zhang, Busu Li, Qun Lin, ses collaborateurs Katie N. Murray, Jaime Grutzendler et Wang Min dans le programme de biologie vasculaire et thérapeutique, départements de pathologie, neurobiologie et biologie cellulaire Vous pouvez en savoir plus sur cette recherche passionnante dans l'édition en ligne du 25 janvier de Nature Communications.


Drs. Adam Bagg, Zubair Baloch, David Elder, Franz Fogt, Virginia LiVolsi et Xiaowei (George) Xu sont parmi les huit meilleurs pathologistes de la région.

Alors que nous sommes encore confrontés à un long chemin vers la normalité, il est passionnant d'entendre à quel point nos progrès ont été couronnés de succès jusqu'à présent. Et pourtant, je crois aussi qu'une expérience partagée de lutte et de reconnaissance de la souffrance parmi nous peut être une opportunité pour nous d'apprendre en tant que Département.

Vous voulez rester en contact avec ce qui se passe dans le département? Inscrivez-vous à la newsletter PLM :

Merci de vous être abonné!


Comment un pathologiste analyserait cette image H&E ? - La biologie

Par Charlotte Plestant (responsable du marketing de contenu scientifique), Eunice Stennett (ancienne CMO), David Guet (spécialiste en pathologie numérique) - 26 mai 2021

Au cours des dernières années, le monde de la pathologie a considérablement évolué et fait émerger de nouveaux défis. Le développement de scanners de lames entières aux côtés de l'intelligence artificielle (IA) a permis l'analyse pathologique en numérisant l'immunohistochimie, l'immunocytochimie et les lames H&E, offrant de meilleures possibilités de sélection et de traitement des patients. Ces changements sont venus avec de nouveaux obstacles, liés à une forte augmentation de la complexité des images, des attentes plus élevées en matière d'analyse d'images et un changement dans les pratiques quotidiennes du pathologiste.

Dans ce post, nous avons rattrapé David Guet, spécialiste des applications de pathologie numérique à Keen Eye. Nous lui avons demandé quelle était sa vision en ce qui concerne la pathologie computationnelle et pourquoi les solutions basées sur l'intelligence artificielle pouvaient soutenir chaque expert dans le domaine de la pathologie.

La numérisation des diapositives a ouvert la voie à la pathologie computationnelle

Il y a deux décennies, les hôpitaux, les industries pharmaceutiques et les CRO (Contract Research Organizations) ont commencé leur propre voyage sur la voie de l'innovation. Grâce aux scanners de lames, ils sont passés de l'examen des lames au microscope à l'imagerie de lames entières, introduisant la pathologie numérique. « Nous pouvons décomposer la pathologie numérique en deux étapes principales », explique David, « la première est le processus de numérisation des lames d'histopathologie, d'IHC ou de cytologie à l'aide de scanners de lames entières. Elle est ensuite suivie par la gestion, l'analyse et l'interprétation de ces images de diapositives entières (WSI) à l'aide d'approches computationnelles ».

La pathologie computationnelle intègre de multiples sources de données via des outils développés par l'IA (ou des modèles mathématiques) pour générer des inférences. Cela nécessite de gérer des informations biologiques et cliniques à partir d'ensembles de données volumineux et à haut débit. La pathologie computationnelle s'appuyant sur des outils d'apprentissage profond donne accès à une meilleure sélection des patients et à des traitements médicamenteux.

Les solutions basées sur l'IA sont devenues indispensables pour faire face à la complexité croissante de l'analyse d'images

À l'origine dans les domaines de la recherche, de la préclinique, de la clinique et du diagnostic, l'analyse d'images pour soutenir les experts scientifiques n'était pas systématiquement requise. Alors que les données à traiter devenaient de plus en plus complexes, l'analyse d'images automatisée par l'IA s'est avérée vitale pour des interprétations robustes et pour extraire des informations pertinentes, allant des biomarqueurs aux caractéristiques anatomo-pathologiques au sein de chaque image.

Cela a inévitablement eu un impact sur le flux de travail des différents experts. David souligne qu'« il y avait plus de diapositives à présélectionner, plus de biomarqueurs à analyser et dans des délais plus courts ». Cette augmentation du nombre de lames numériques à revoir par les pathologistes pourrait également entraîner une augmentation de la variabilité des résultats, inter et intra-opérateur.

A côté de ces paramètres, « il faut tenir compte d'une pénurie de pathologistes expérimentés, alors que le réseau entre les entreprises et les laboratoires travaillant ensemble partout dans le monde devient de plus en plus complexe », ajoute David. Les WSI sont des données lourdes à manipuler : il est crucial de pouvoir accéder et partager ces images via un visualiseur réactif et évolutif. Être capable de répondre à de tels besoins dans toutes les approches de recherche collaborative est une pierre angulaire de la pathologie computationnelle.

Impact positif de l'analyse d'images basée sur l'IA sur le travail des experts en pathologie numérique

Les pathologistes et les chercheurs font face à une augmentation de leur charge de travail. Il est crucial de créer les bonnes solutions d'analyse qui leur fourniront les informations pertinentes sur une étude, leur permettant de faire face aux volumes élevés de données : environ 75% des pathologistes dans 59 pays dans le monde ont déclaré être intéressés par l'utilisation de l'IA comme un outil de diagnostic¹.

Les algorithmes pilotés par l'IA doivent être conçus sous la direction et la validation des pathologistes, afin de les accompagner et de les aider tout au long de leur travail. Notre spécialiste des applications souligne que « ces solutions sont faites en collaboration avec des pathologistes, pour des pathologistes ». En effet, avec une formation et un développement appropriés, une analyse d'image IA peut apporter des résultats exceptionnels, soutenant ainsi le travail de ces experts. De plus, l'utilisation du traitement par lots avec un algorithme validé permettra une analyse plus rapide et continue, avec un contrôle d'assurance qualité et un nombre d'erreurs réduit.

Disposer d'un outil fiable et productif basé sur l'IA libère plus de temps pour les chercheurs et les pathologistes pour se concentrer sur l'essentiel et faire des découvertes révolutionnaires.


Le portefeuille d'instruments Phenoptics

Nos scanners de lames de pathologie numérique Phenoptics vous permettent de visualiser, d'analyser, de quantifier et de phénotyper des cellules révélant une biologie complexe dans des coupes de tissus entiers. Notre technique d'imagerie multispectrale vous permet de capturer les multiples interactions qui se produisent entre les cellules, car nous avons soigneusement dissocié chaque couleur les unes des autres tout en isolant l'autofluorescence dans son propre canal de couleur afin que vous puissiez facilement l'exclure de votre analyse de lame numérique. Cela signifie que vous pouvez être sûr de quantifier avec précision les interactions qui se produisent réellement dans la biologie.

Système d'imagerie de pathologie quantitative automatisé Vectra Polaris
Le Vectra ® Polaris ™ est un scanner de lames de pathologie numérique de classe mondiale doté d'un balayage multispectral de lames entières MOTiF ™ 6 plex et 7 couleurs qui peut détecter et mesurer avec précision les biomarqueurs faiblement exprimés et chevauchants dans un seul tissu FFPE intact H&E, IHC ou mIF section ou TMA, pour accélérer vos recherches.

Système d'imagerie de pathologie quantitative automatisé Vectra 3
Le système d'imagerie de pathologie quantitative automatisé Vectra ® 3 est un scanner de pathologie à six lames qui peut vous aider à mieux visualiser, analyser, quantifier et phénotyper les cellules immunitaires in situ dans les coupes de tissus FFPE et les TMA.

Station de travail de pathologie quantitative Mantra 2
La station de travail de pathologie quantitative Mantra™ 2 est un microscope manuel équipé du logiciel d'analyse d'images inForm® permettant une visualisation, une quantification et un phénotypage faciles de plusieurs types de cellules immunitaires simultanément dans des coupes de tissus FFPE intactes pour la recherche en immunologie du cancer.


Histologie de précision : Stéatose – Analyse quantitative de l'accumulation anormale de lipides

Une accumulation anormale de lipides dans les tissus, ou stéatose, est associée à de nombreuses pathologies. La stéatose hépatique est une caractéristique de la maladie alcoolique du foie (ALD) et est également un marqueur précoce de la stéatose hépatique non alcoolique (NAFLD), qui est maintenant la cause la plus fréquente de dysfonctionnement hépatique aux États-Unis. Le score histologique de la stéatose hépatique est donc un outil clinique essentiel pour l'évaluation de la maladie hépatique.

En plus du foie, des dépôts lipidiques anormaux peuvent être observés dans de nombreux autres tissus dans le cadre d'une maladie. Par exemple, la maladie de Gaucher et la maladie de Nieman-Pick sont des troubles métaboliques héréditaires du stockage des lipides caractérisés par l'accumulation nocive de lipides dans les reins, la rate, les poumons, la moelle osseuse et le cerveau. De plus, l'identification des liposarcomes, tumeurs dérivées des cellules graisseuses, nécessite une évaluation de l'accumulation de lipides dans des échantillons de tissus. La pertinence clinique des dépôts lipidiques pathologiques dans les tissus signifie qu'il existe un besoin critique d'approches histologiques sensibles pour évaluer et quantifier la stéatose chez les patients et les modèles animaux de maladie humaine.

L'accumulation de lipides est traditionnellement évaluée par un pathologiste certifié par le conseil d'administration. Cependant, les progrès récents de l'analyse d'images et de l'apprentissage automatique ont permis d'effectuer une analyse quantitative plus précise de manière indépendante ou d'aider le pathologiste à grande échelle. L'accumulation anormale de lipides est couramment évaluée dans la recherche préclinique et les essais cliniques en utilisant l'une de toutes les approches suivantes.

Première méthode : hématoxyline et éosine (H&E)

Figure 1. A) Tissu hépatique coloré avec H&E. B) Masque appliqué à l'image originale pour isoler les gouttelettes lipidiques (bleu) pour la quantification. La barre d'échelle représente 50 um.

La coloration H&E sur des échantillons fixés au formol et inclus en paraffine (FFPE) est une approche simple et peu coûteuse pour identifier l'accumulation de lipides dans de nombreux tissus. Morphologiquement, les gouttelettes lipidiques apparaissent sous forme de vides circulaires dans les tissus lorsque la teneur en graisse est dissoute par traitement au solvant pendant le traitement des tissus (figure 1A). La coloration H&E est donc une méthode indirecte de quantification de l'accumulation de lipides. Des images de diapositives entières de coloration H & ampE, obtenues par microscopie à fond clair, peuvent être analysées pour déterminer le nombre et la taille des gouttelettes lipidiques ainsi que le degré de stéatose en pourcentage de la surface totale du tissu (figure 1B). Alors que H&E est une méthode cliniquement approuvée pour évaluer la stéatose, des méthodes histologiques supplémentaires peuvent détecter directement les dépôts de lipides dans les tissus.

Deuxième méthode : huile rouge O

L'accumulation de lipides peut être évaluée directement dans des coupes de tissus frais congelés par coloration avec Oil Red O, un colorant liposoluble qui colore spécifiquement les triglycérides et les lipides neutres d'une couleur rouge foncé (figure 2A). L'utilisation de tissus frais congelés évite la perte de teneur en lipides qui se produit lors du traitement des tissus fixés au formol.

Figure 2. A) Coupe de tissu hépatique congelé colorée avec Oil Red O (rouge) et contre-colorant nucléaire à l'hématoxyline (bleu). B) Masque appliqué à l'image originale pour isoler les gouttelettes lipidiques (rouge) pour la quantification. La barre d'échelle représente 10 µm.

Des images de diapositives entières de coupes de tissus colorées avec Oil Red O peuvent être générées à l'aide d'une microscopie à fond clair. Le logiciel d'analyse ImageDx™ mesure avec précision une gamme de paramètres pour quantifier la coloration Oil Red O, y compris le pourcentage de positivité, le nombre moyen de gouttelettes par unité de surface et la taille moyenne des gouttelettes (figure 2B).

Troisième méthode : immunocoloration à la périlipine

La périlipine, également appelée protéine associée aux gouttelettes lipidiques, est une protéine qui recouvre spécifiquement la périphérie des gouttelettes lipidiques. La périlipine peut être détectée à la fois dans les coupes de tissus FFPE et congelées par immunohistochimie (IHC), une technique qui utilise des anticorps primaires dirigés contre leurs antigènes cibles spécifiques. Ces anticorps primaires sont ensuite détectés à l'aide d'une gamme de réactifs secondaires et visualisés avec de la 3,3-Diaminobenzidine (DAB – brown). Les anticorps primaires peuvent également être détectés à l'aide d'une gamme de marqueurs fluorescents dans un processus connu sous le nom d'immunofluorescence (IF). La coloration des coupes de tissus avec de la périlipine marque spécifiquement le contour des vacuoles graisseuses, comme le montre la figure 3.

Figure 3: Coloration à la périlipine visualisée avec DAB (marron) sur coupe hépatique FFPE. Les noyaux sont contrecolorés avec de l'hématoxyline (bleu). La barre d'échelle représente 50 um.

L'imagerie de la lame entière de l'immunocoloration à la périlipine peut être réalisée à l'aide d'une microscopie à fond clair ou d'une microscopie par immunofluorescence, selon la stratégie de détection secondaire. Un large éventail de paramètres de quantification peut être signalé, notamment le nombre moyen de gouttelettes lipidiques par unité de surface, la taille des gouttelettes et la surface lipidique. La coloration à la périlipine est extrêmement sensible car elle détecte plusieurs petites gouttelettes lipidiques qui peuvent être manquées par H&E. De plus, l'utilisation de la périlipine comme marqueur de la stéatose offre l'avantage considérable de pouvoir être multiplexée avec d'autres biomarqueurs d'intérêt sur la même coupe.

En conclusion, la mesure et l'analyse précises de l'accumulation de lipides dans les coupes de tissus fournissent des données précieuses lors de l'évaluation de la stéatose chez l'homme et les modèles animaux de maladie humaine. La sélection de la méthode la plus appropriée pour votre recherche dépend de plusieurs paramètres, notamment le format des tissus disponibles et les points finaux des données requis. Contactez-nous pour discuter de la façon dont l'histologie de précision peut être bénéfique pour votre prochaine étude.


L'apprentissage en profondeur formé sur les retours sur investissement des tumeurs H&E prédit le statut HER2 et la réponse au traitement par Trastuzumab dans le cancer du sein HER2+

La norme de soins actuelle pour de nombreuses patientes atteintes d'un cancer du sein HER2-positif est la chimiothérapie néoadjuvante en association avec des agents anti-HER2, basée sur l'amplification de HER2 détectée par in situ l'hybridation (ISH) ou l'immunohistochimie des protéines (IHC). Cependant, les colorations tumorales à l'hématoxyline et à l'éosine (H&E) sont plus couramment disponibles, et une prédiction précise du statut HER2 et de la réponse au traitement anti-HER2 de H&E réduirait les coûts et augmenterait la vitesse de sélection du traitement. Les algorithmes de calcul pour H&E ont été efficaces pour prédire une variété de caractéristiques du cancer et de résultats cliniques, y compris un succès modéré dans la prédiction du statut HER2. Dans ce travail, nous présentons une nouvelle approche de réseau neuronal convolutif (CNN) capable de prédire le statut HER2 avec une précision accrue par rapport aux méthodes précédentes. Nous avons formé un classificateur CNN sur 188 images de lames entières H&E (WSI) annotées manuellement pour les régions tumorales d'intérêt (ROI) par notre équipe de pathologie. Notre classificateur a atteint une aire sous la courbe (AUC) de 0,90 en validation croisée du statut HER2 au niveau de la lame et de 0,81 sur un ensemble de test TCGA indépendant. Dans les diapositives, nous avons observé une forte concordance entre les ROI annotées par le pathologiste et les prédictions informatiques en aveugle des régions tumorales / du statut HER2. De plus, nous avons formé notre classificateur sur des échantillons de pré-traitement de 187 patients HER2+ qui ont par la suite reçu un traitement au trastuzumab. Notre classificateur a atteint une AUC de 0,80 dans une validation croisée quintuple. Notre travail fournit un algorithme basé sur H&E qui peut prédire le statut HER2 et la réponse du trastuzumab dans le cancer du sein avec une précision supérieure à celle de l'IHC et peut bénéficier aux évaluations cliniques.


PRÊT POUR LA PROCHAINE ÉTAPE?

Pharmacie

Analyse d'images cellulaires, tests et partenariat pour faire progresser les essais cliniques et l'acceptation réglementaire.

Diagnostic clinique

Tests de diagnostic clinique fiables pour connecter les patients à des thérapies immuno-oncologiques individualisées.

Ressources associées

Affiches et publications

À propos de Flagship Biosciences

Nous sommes une équipe multidisciplinaire de pathologistes, de biologistes, d'analystes, d'ingénieurs logiciels et de techniciens qui s'engagent à créer des approches efficaces qui associent les patients à des médicaments vitaux.
En savoir plus >

Connecte-toi avec nous

11800 Ridge Parkway, bureau 450
Broomfield, CO 80021
303.325.5894

  • Copyright 2021 Flagship Biosciences Inc.
  • Politique de confidentialité
  • 11800 Ridge Parkway, bureau 450, Broomfield, CO 80021

Aperçu de la confidentialité

Les cookies nécessaires sont absolument essentiels au bon fonctionnement du site Web. Ces cookies assurent les fonctionnalités de base et les fonctions de sécurité du site Web, de manière anonyme.

BiscuitDuréeLa description
cookielawinfo-checkbox-analytics11 moisCe cookie est défini par le plugin GDPR Cookie Consent. Le cookie est utilisé pour stocker le consentement de l'utilisateur pour les cookies dans la catégorie « Analytics ».
cookielawinfo-checkbox-fonctionnel11 moisLe cookie est défini par le consentement des cookies GDPR pour enregistrer le consentement de l'utilisateur pour les cookies dans la catégorie « Fonctionnel ».
cookielawinfo-checkbox-autres11 moisCe cookie est défini par le plugin GDPR Cookie Consent. Le cookie est utilisé pour stocker le consentement de l'utilisateur pour les cookies dans la catégorie "Autre.
cookielawinfo-case à cocher-nécessaire11 moisCe cookie est défini par le plugin GDPR Cookie Consent. Les cookies sont utilisés pour stocker le consentement de l'utilisateur pour les cookies dans la catégorie "Nécessaire".
cookielawinfo-checkbox-performance11 moisCe cookie est défini par le plugin GDPR Cookie Consent. Le cookie est utilisé pour stocker le consentement de l'utilisateur pour les cookies dans la catégorie "Performance".
view_cookie_policy11 moisLe cookie est défini par le plugin GDPR Cookie Consent et est utilisé pour stocker si l'utilisateur a consenti ou non à l'utilisation de cookies. Il ne stocke aucune donnée personnelle.

Les cookies fonctionnels aident à exécuter certaines fonctionnalités telles que le partage du contenu du site Web sur les plateformes de médias sociaux, la collecte de commentaires et d'autres fonctionnalités tierces.

Les cookies de performance sont utilisés pour comprendre et analyser les indices de performance clés du site Web, ce qui contribue à offrir une meilleure expérience utilisateur aux visiteurs.

Les cookies analytiques sont utilisés pour comprendre comment les visiteurs interagissent avec le site Web. Ces cookies aident à fournir des informations sur le nombre de visiteurs, le taux de rebond, la source de trafic, etc.

Les cookies publicitaires sont utilisés pour fournir aux visiteurs des publicités et des campagnes marketing pertinentes. Ces cookies suivent les visiteurs sur les sites Web et collectent des informations pour fournir des publicités personnalisées.

Les autres cookies non catégorisés sont ceux qui sont en cours d'analyse et n'ont pas encore été classés dans une catégorie.


Voir la vidéo: Histopathology Staining #Hematoxylin u0026 Eosin #Special staining dye. In English u0026 Hindi (Août 2022).