组织芯片图像的统计方法——算法评分与协同训练

组织微阵列技术的最新进展使得免疫组织化学成为一种强大的中高通量分析工具，特别是在诊断和预后生物标志物的验证方面。然而，随着研究规模的扩大，对这些检测的手动评估成为一项难以承受的限制；它极大地降低了通量，并大大增加了变异性和费用。我们提出了一种算法——组织阵列共现矩阵分析（TACOMA）——用于基于由局部像素间关系总结的纹理规律性来量化细胞表型。该算法可以轻松地针对任何染色模式进行训练，没有敏感的调优参数，并且能够报告图像中对其评分有贡献的显著像素。通过信息性训练补丁输入的病理学家的意见是该算法的一个重要方面，它允许针对任何特定标记物或细胞类型进行训练。通过协同训练，对于非常小的训练样本（例如，大小为30），TACOMA的错误率可以显著降低。我们给出了在高维设置中，当特征之间存在“足够”冗余时，通过特征集稀疏化实现协同训练成功的理论见解。TACOMA灵活、透明，并提供了一个可以清晰、自信地评估的评分过程。在一项基于雌激素受体标记物的研究中，我们表明TACOMA在准确性和可重复性方面与病理学家的表现相当或更优。