NaroNet：从高度复用图像中发现肿瘤微环境要素
计算机视觉与模式识别
2021-03-26 v2 机器学习
定量方法
摘要
人们已做出许多努力，从免疫染色组织切片中发现肿瘤特异性微环境要素（TME）。然而，由于涉及的标记物数量众多（数十种）及其空间相互作用的复杂性，从多重免疫染色组织中识别未知但相关的 TME 仍具挑战。我们提出 NaroNet，它利用机器学习，从细胞的不同层级（局部细胞表型与细胞邻域）的自监督嵌入中，识别并标注已知及新颖的 TME。随后它利用 TME 的丰度，基于生物学或临床特征对患者进行分类。我们使用具有可调不同 TME 发生率的合成患者队列和两个癌症患者数据集验证 NaroNet。在合成与真实数据集中，NaroNet 均无监督地识别出与用户定义分类任务相关的新颖 TME。由于 NaroNet 仅需患者级信息，它使最先进的计算方法能为广大用户所用，从而加速生物标志物特征的发现。
引用
@article{arxiv.2103.05385,
title = {NaroNet: Discovery of tumor microenvironment elements from highly multiplexed images},
author = {Daniel Jiménez-Sánchez and Mikel Ariz and Hang Chang and Xavier Matias-Guiu and Carlos E. de Andrea and Carlos Ortiz-de-Solórzano},
journal= {arXiv preprint arXiv:2103.05385},
year = {2021}
}
备注
37 pages, 4 figures