基于深度分类与虚拟免疫组织化学染色的无标签非小细胞肺癌病理亚型分型
定量方法
2026-03-10 v2
摘要
区分非小细胞肺癌（NSCLC）的病理亚型是指导治疗选项和预后的关键步骤。然而，当前临床实践依赖于耗时且成本高的多步骤染色和标记过程，需高度专业的技能。本研究提出一种无标签方法，利用无染色NSCLC样本的自发荧光成像技术和深度学习（DL）技术区分非癌组织、腺癌（AC）、鳞癌（SqCC）及其他亚型（OS）。我们采用基于深度学习的分类方法，并生成虚拟免疫组织化学（IHC）染色，包括针对腺癌的甲状腺转录因子-1（TTF-1）和针对鳞癌的p40，并使用两种自发荧光成像类型（强度成像和寿命成像）进行评估。结果表明，该方法在NSCLC亚型分型方面表现卓越，二分类和多分类的受试者工作曲线下面积分别超过0.981和0.996。此外，该方法产生的临床水平虚拟IHC染色被三位经验丰富的肺部病理学家盲选评估。我们的无标签NSCLC亚型分型方法无需常规组织处理和染色，即可实现快速准确的诊断。两种策略显著加速诊断流程，支持高效的肺癌诊断，而不会妥协临床决策。
引用
@article{arxiv.2503.20817,
title = {Label-free pathological subtyping of non-small cell lung cancer using deep classification and virtual immunohistochemical staining},
author = {Zhenya Zang and David A Dorward and Katherine E Quiohilag and Andrew DJ Wood and James R Hopgood and Ahsan R Akram and Qiang Wang},
journal= {arXiv preprint arXiv:2503.20817},
year = {2026}
}
备注
Main article: 27 pages, 6 figures, and 1 table. Supplementary information: 12 figures and 6 tables. Accepted by NPJ Digital Medicine