联系我们

利用AI驱动的多重图像分析探索结肠腺癌

使用基于人工智能的多重图像分析探索结肠腺癌的肿瘤免疫微环境,以了解癌症进展

 Human_colon_adenocarcinoma_CAC_tissue.jpg

结肠癌是全球第二大癌症死亡原因,研究结肠癌免疫微环境对于改善治疗效果至关重要。在这项研究中,我们展示了一种利用Cell DIVE和AIVIA软件的空间生物学工作流程,以绘制结肠腺癌中的肿瘤免疫景观图。通过在同一组织中可视化30个生物标志物,并利用人工智能进行分割和表型分析,我们能够揭示肿瘤细胞侵袭的多个方面。

关键学习成果

  • 了解如何使用Cell DIVE进行全组织多重成像来绘制肿瘤免疫微环境的图谱。
  • 探索肿瘤、免疫和基质细胞在肿瘤进展中的复杂相互作用。
  • 学习如何利用Aivia软件的AI驱动分析工作流程来揭示肿瘤细胞侵袭的隐藏空间见解。

使用AI准确检测多重图像中的细胞

为了获得定量、生物学的见解,第一步通常是检测和分割整个图像中的单个细胞。Aivia的多重细胞检测配方利用了经过改进的Cellpose[1]算法,以准确检测具有不同形态学的细胞核和细胞膜。在此CAC(结肠腺癌)示例中,DAPI和NaKATPase通道分别用作细胞核和细胞膜标记物,以分割该组织中的所有细胞。在CAC组织中,总共识别并分割了555,480个细胞,平均细胞质面积为66.51 µm²,平均核面积为38 µm²,核圆度为0.77。

自动聚类揭示未知表型

在Aivia中,还可以使用自动聚类工具以无监督的方式识别未知的细胞表型。无需预先为每个表型定义生物标志物轮廓,PhenoGraph-Leiden [2] 聚类工具可以仅基于整个面板中生物标志物表达相似性来创建表型组。然后,这些表型集群可以根据它们与其他在分析中发现的集群的相似性,通过热图和树状图进行组织。利用树状图功能,我们可以直观地检查通常在异质CAC数据集中存在的一些重要趋势和富集的细胞群体。此外,这种分析还可以轻松地捕获组织中相对较少的细胞表型。

结论

空间生物学数据集的复杂性为数据收集、注释和分析带来了独特的挑战。这里详细描述的流程:分割、表型分析和表型聚类,是从大型2D数据集(如Cell DIVE图像)中提取有用信息的一种途径。通过遵循这一一般路径,研究人员可以提取细胞身份、细胞位置、形态学数据等,并将这些信息直接应用于他们感兴趣的组织。除了原始分析外,基于聚类和降维的方法既提供了数据的高层次概述,也基于表型聚类中未预见到的关系提出了假设生成的可能性。

下载应用说明

点击“提交”按钮后,我确认已阅读并同意徕卡显微系统的使用条款隐私政策。 我了解我在个人信息方面的隐私选择,具体条款规定于隐私政策中“您的隐私选择”部分。

其他感兴趣的链接

Cell DIVE - Minerva

Scroll to top