人工智能在肿瘤免疫研究中的最新进展｜文献速递·24-09-08

小罗碎碎念

本期主题：AI+肿瘤免疫

今天和大家分享的7篇文献，均来自于Nature旗下的子刊，下表简要描述期刊和对应的IF。

期刊	IF
npj Breast Cancer	6.5
Nature Reviews Clinical Oncology	81.1
npj Precision Oncology	6.8
Scientific Reports	3.8
Communications medicine	5.4
British Journal of Cancer	6.4

---

代码&数据

1

1. PanopTILs数据集：

   • 链接：sites.google.com/view/panoptils
   • 作用：PanopTILs是一个区域和细胞级别的注释数据集，包含了来自151名乳腺癌患者的814,886个细胞核的详细标注。这个数据集用于开发和训练MuTILs模型，以便进行TILs的评估。它是公开访问的，允许研究人员使用这些数据来改进和验证他们的算法。

2. MuTILs代码：

   • 链接：github.com/PathologyDataScience/MuTILs_Panoptic
   • 作用：MuTILs是文章中开发的一种深度学习模型，专门用于评估乳腺癌全幻灯片图像（WSIs）中的TILs。代码库提供了模型的实现细节，包括网络架构、训练过程和评估方法。这使得其他研究人员可以复现结果，进一步开发或将该模型应用于其他相关研究。

3. large_image库：

   • 链接：github.com/girder/large_image
   • 作用：在文章中，large_image库被用来读取全幻灯片图像文件。这是一个处理大型多分辨率图像的Python库，特别适用于病理学中的全幻灯片图像分析。

4. histolab库：

   • 链接：histolab
   • 作用：histolab是一个Python库，用于数字病理学图像的预处理。在文章中，它被用于排除标记/墨水和非组织区域，这是分析全幻灯片图像前的一个重要步骤。

5. HistomicsTK包：

   • 链接：HistomicsTK
   • 作用：HistomicsTK是一个用于开发高通量数字病理学分析工具的软件工具包。在文章中，它被用于执行低分辨率瓦片的解卷积操作，以识别和量化图像中的细胞和非细胞区域。

这些资源对于希望在病理学图像分析领域工作的研究人员来说是非常宝贵的，因为它们提供了必要的数据和工具来开发和验证新的算法和模型。

---

5

1. 代码链接：

   • HookNet-TLS: https://github.com/DIAGNijmegen/pathology-hooknet-tls
   • HookNet: https://github.com/DIAGNijmegen/pathology-hooknet
   • WholeSlideData: https://github.com/DIAGNijmegen/pathology-wholeslide-data/

2. 数据集：

   • TCGA (The Cancer Genome Atlas): 这是一个公开的数据库，用于癌症基因组研究，文章中使用了TCGA的数据集进行模型的训练和验证。

---

一、全景分割与深度学习在乳腺癌肿瘤微环境中的TILs评分应用

一作&通讯

作者类型	作者姓名	单位名称（中文）
第一作者	Shangke Liu	西北大学病理系，芝加哥，美国
第一作者	Mohamed Amgad	西北大学病理系，芝加哥，美国
通讯作者	Lee A. D. Cooper	西北大学病理系，芝加哥，美国

Lee A. D. Cooper 是西北大学病理系的一名教授。他在癌症研究和病理学领域有着深入的研究，特别是在利用数字病理学和人工智能技术来改善癌症诊断和治疗方面。Cooper 教授在开发新的计算工具和方法来评估肿瘤微环境中的免疫细胞，如肿瘤浸润性淋巴细胞（TILs）方面做出了重要贡献。他的工作不仅推动了病理学领域的发展，也为癌症患者的临床治疗提供了新的视角和工具。

---

文献概述

这篇文章介绍了一个新的全景分割数据集PanopTILs和深度学习模型MuTILs，用于提高乳腺癌中肿瘤浸润性淋巴细胞（TILs）评分的可解释性和准确性。

TILs在乳腺癌中具有重要的预后和预测价值，但它们的评估通常依赖于主观的视觉评估。为了提高评估的可重复性，国际免疫肿瘤学工作组最近发布了基于视觉评分指南的TILs计算评估建议。然而，现有的资源由于缺乏能够同时进行组织区域和细胞全景分割的注释数据集，而无法充分满足这些建议。

文章介绍了PanopTILs数据集，这是一个包含来自151名患者的814,886个细胞核的区域和细胞级注释数据集，并且可以公开访问。使用这个数据集，研究者开发了MuTILs，这是一个针对临床建议进行优化的神经网络，用于评估TILs。MuTILs是一个概念瓶颈模型，旨在提高可解释性，并鼓励在多个分辨率下进行合理的预测。

通过严格的内外交叉验证过程，MuTILs在淋巴细胞检测上达到了0.93的AUROC，在肿瘤相关基质分割上达到了0.81的DICE系数。计算出的TILs评分与两名病理学家的视觉评分非常接近（Spearman R = 0.58–0.61, p < 0.001）。此外，计算出的TILs评分比视觉评分具有更高的预后价值，独立于TNM分期和患者年龄。

文章还讨论了数字成像和机器学习在癌症研究中对组织形态学的兴趣增加，以及如何通过计算方法发现可解释的预测性组织学生物标志物。研究者提出了一种计算TILs评分的方法，该方法与病理学家的视觉评分有适度到高度的相关性，并且在预测乳腺癌进展方面具有独立的预后价值。

最后，文章还讨论了MuTILs模型的设计，包括其如何联合分类组织区域和细胞核，以及如何使用多任务损失进行训练。PanopTILs数据集的创建和MuTILs模型的训练细节也在文章中进行了描述。

---

重点关注

图 3 展示了如何将手动区域和细胞核的真实标注结合起来，以产生 PanopTILs 验证数据集。

1. 数据集的整合：

   • PanopTILs 验证数据集是通过整合两个公共数据集 BCSS（Breast Cancer Semantic Segmentation dataset）和 NuCLS（Nucleus classification, localization, and segmentation dataset）的标注来创建的。
   • BCSS 数据集提供了感兴趣区域（Region of Interest, ROI）的组织区域分割信息，而 NuCLS 数据集提供了高倍镜视野（High Power Field, HPF）下细胞核的分割和分类信息。

2. 图像分辨率和处理：

   • 每个高倍镜视野（HPF）从病理医生校正的单评分员 NuCLS 数据集中被扩展到 1024 × 1024 像素，分辨率为 0.5 MPP（20倍物镜）。
   • 这种处理确保了每个 ROI 都包含整个视野的区域分割信息（来自 BCSS 数据集）以及中心部分的细胞核分割和分类信息（来自 NuCLS 数据集）。

3. 标注的类型：

   • 细胞核的真实标注包含了边界框（bounding boxes）和分割（segmentation）的混合。
   • 这意味着对于细胞核的标注，有些是通过画出精确的边界框来识别细胞核的位置，有些则是通过分割来描绘细胞核的确切轮廓。

4. 验证数据集的应用：

   • 图中展示的领域是从测试集中选取的。
   • 这表明这些数据被用于验证 PanopTILs 数据集的分割和分类模型的性能，以确保模型能够准确地识别和评估肿瘤浸润性淋巴细胞（TILs）。

5. 数据集的意义：

   • 通过整合两种类型的数据集，PanopTILs 提供了一个全面的资源，用于训练和验证能够同时处理组织区域和细胞核分割的深度学习模型。
   • 这种整合对于开发能够提供临床相关 TILs 评分的计算工具至关重要，因为 TILs 的评估需要同时考虑组织结构和细胞水平的细节。

综上所述，图 3 展示了 PanopTILs 验证数据集的创建过程，这一过程对于开发和评估能够准确评估乳腺癌中 TILs 的深度学习模型至关重要。

---

二、细菌在癌症免疫治疗中的创新应用

一作&通讯

作者名称	单位名称（中文）
Seong-Young Kwon	全南国立大学医学院校
Hien Thi-Thu Ngo	河内医科大学生物化学系（越南河内）
Jinbae Son	全南国立大学医学院校
Yeongjin Hong	全南国立大学医学院校
Jung-Joon Min	全南国立大学医学院校（同时也是通讯作者）

Jung-Joon Min 博士是全南国立大学医学院校的教授，同时在多个研究所和中心担任重要职务，包括分子影像和治疗学研究所、核医学科、生物医学科学系、微生物学和免疫学系，以及国家免疫治疗创新中心。他的研究领域集中在癌症的免疫治疗，特别是在利用细菌作为癌症治疗的创新策略方面。他的工作涉及到细菌与肿瘤微环境之间的相互作用，以及如何通过工程细菌来开发新的癌症治疗方法。Min 博士在这一领域发表了多篇研究论文，并在癌症免疫治疗的研究和临床应用方面做出了重要贡献。

---

文献概述

这篇文章综述了利用细菌作为癌症免疫治疗策略的潜力、进展和挑战。

文章讨论了癌症免疫治疗的革命性进展，以及由于响应率有限、获得性耐药、毒性和高成本等限制，需要开发新的创新策略。文章回顾了人类微生物群与癌症之间联系的发现，这种联系可以追溯到4000年前，当时观察到局部感染有时会导致某些个体的肿瘤消失。然而，直到20世纪初，人们才真正认识到肿瘤内微生物群在癌症的发病机制和治疗中的重要作用。

文章详细讨论了肿瘤内细菌的特性以及它们与肿瘤微环境的复杂相互作用。特别指出，肿瘤内细菌可以通过重塑肿瘤微环境来促进或抑制癌症生长。过去二十年中，在将细菌工程化为癌症免疫治疗剂方面取得了显著进展，一些细菌产品已成功进入临床开发阶段。

文章还描述了用于治疗癌症的细菌工程策略，总结了已完成和正在进行的临床试验的当代数据。这些工作突出了细菌在转变癌症治疗格局中的潜力，将古老的智慧与现代科学创新相结合。

文章分为几个部分，包括引言、肿瘤内细菌与癌症的相互作用、利用活体改良细菌进行癌症治疗、细菌重编程策略、癌症治疗的细菌临床试验，以及对未来实施细菌介导的癌症免疫治疗（BCIT）的考虑和结论。

---

重点关注

图1展示了细菌如何靶向肿瘤的机制。

肿瘤的微环境（TME）与大多数非恶性组织显著不同，这使得某些细菌更倾向于在肿瘤中生长，这一特性可以被利用于细菌介导的癌症免疫治疗。相比之下，肿瘤微环境中的条件通常限制了传统癌症治疗方法，包括其他形式的免疫疗法的活性。

1. 肿瘤微环境的特点：肿瘤的低氧区域和坏死核心是严格厌氧菌（如梭菌和双歧杆菌属）和兼性厌氧菌（如沙门氏菌、大肠杆菌和李斯特菌属）的有利栖息地。这些细菌在氧气丰富的环境中无法生存，因此它们更倾向于在肿瘤的低氧区域积累。

2. 细菌的靶向机制：

   • 梭菌：在新生血管附近和非坏死的微侵袭性病变中观察到梭菌，表明这些肿瘤结构提供了足够低氧、生化独特的微环境，有利于细菌定植。
   • 沙门氏菌：通过多种机制选择性地靶向肿瘤，包括在肿瘤血管的异常和高渗透性中被困、向肿瘤释放的化合物进行趋化，以及在肿瘤组织中由于有利的代谢条件而优先生长。
   • 李斯特菌：展示了一种额外的肿瘤靶向机制，涉及感染抗原呈递细胞，如单核细胞、巨噬细胞和树突状细胞。通过感染肿瘤浸润的骨髓源抑制细胞，李斯特菌可以被运送到TME，然后扩散到癌细胞。

3. 细菌的趋化行为：细菌的趋化行为由特定的受体引导，例如天冬氨酸、核糖-半乳糖和丝氨酸受体，这些受体分别引导沙门氏菌到达活的、静止的和坏死的肿瘤区域。

4. 细菌在肿瘤微环境中的存活：尽管这些致病细菌在非恶性组织中会被迅速清除，但它们可以通过在免疫抑制的TME内的骨髓源抑制细胞内居住来逃避免疫清除。

图1通过这些描述，强调了细菌如何利用肿瘤微环境的独特特性来靶向和治疗肿瘤，同时也指出了细菌在肿瘤治疗中的潜力和应用前景。

---

三、复发或转移性鼻咽癌的免疫治疗研究进展

一作&通讯

角色	姓名	单位名称（中文）
第一作者	刘	暨南大学第一附属医院，广州，广东，中国
通讯作者	张	暨南大学第一附属医院，广州，广东，中国

---

文献概述

这篇文章综述了免疫检查点抑制剂和过继细胞疗法在治疗复发或转移性鼻咽癌中的研究进展和潜在的治疗策略。

文章主要讨论了免疫检查点抑制剂（ICIs）在治疗R/M-NPC中的作用，特别是针对程序性死亡蛋白1（PD-1）及其配体（PD-L1）的疗法。尽管ICIs在治疗实体瘤方面取得了进展，但仍有改进空间以进一步提高患者疗效。

文章还探讨了另一种有前景的免疫治疗方法——过继细胞疗法（ACT），该疗法旨在刺激全身抗肿瘤免疫。然而，针对树突细胞（DCs）的单一疗法似乎仍处于临床试验阶段。综述强调了免疫治疗作为R/M-NPC患者治疗范式中有价值的补充手段的潜力，并指出需要进一步研究以通过组合疗法和克服免疫抑制等策略提高免疫治疗的有效性。此外，开发基于生物标志物的评分系统对于识别适合精准免疫治疗的候选人至关重要。

文章还讨论了鼻咽癌（NPC）与EB病毒（EBV）感染的密切关系，以及肿瘤免疫微环境（TIME）中DCs和CD8 T细胞的关键作用。文章总结了ICIs治疗R/M-NPC的临床研究结果，并讨论了ACT治疗R/M-NPC的潜力和挑战。

最后，文章指出，尽管PD-1单克隆抗体的发展为R/M-NPC提供了进一步的临床益处，但由于TIME内显著的异质性，PD-1阻断治疗可能只对有限的R/M-NPC患者群体有益，并且缺乏有效的生物标志物来筛选最合适的候选人。这强调了开发新的免疫治疗策略以提高患者生存率的必要性。

---

重点关注

图1展示了免疫治疗策略的分子机制以及抗肿瘤免疫细胞与肿瘤免疫微环境（TIME）之间的相互作用。

1. PMDC (Peripheral blood mononuclear cell)：外周血单个核细胞，包括淋巴细胞和单核细胞，可以分化成树突细胞（DCs）。

2. DC (Dendritic cell)：树突细胞，是专职抗原呈递细胞，能够捕获、处理并呈递抗原给T细胞，激活特异性免疫应答。

3. NK cell (Natural killer cell)：自然杀伤细胞，一种先天免疫细胞，能够识别并杀死被病毒感染或恶性转化的细胞。

4. EBV-CTL (EBV-specific cytotoxic T lymphocyte)：针对EB病毒的特异性细胞毒性T细胞，能够识别并杀死感染EB病毒的细胞，如鼻咽癌细胞。

5. EBNA1 (EBV nuclear antigen 1)：EB病毒核抗原1，是EB病毒的一种蛋白，可作为免疫治疗的靶点。

6. LMP1 and LMP2 (Latent membrane proteins 1 and 2)：潜伏膜蛋白1和2，是EB病毒编码的蛋白质，与EBV相关的肿瘤发生有关。

7. GM-CSF (Granulocyte-macrophage colony-stimulating factor)：粒细胞-巨噬细胞集落刺激因子，一种细胞因子，能够促进DCs的成熟和活化。

8. IL-4 (Interleukin-4)：白细胞介素4，一种细胞因子，参与调节免疫应答，影响B细胞和T细胞的功能。

9. Flt3L (FMS-related tyrosine kinase 3 ligand)：与FMS相关的酪氨酸激酶3配体，能够促进DCs的增殖和分化。

10. XCL1 (X-C motif chemokine ligand 1)：X-C基序趋化因子配体1，能够吸引和激活免疫细胞，如NK细胞和T细胞。

11. CCL5 (C-C motif chemokine ligand 5)：C-C基序趋化因子配体5，也称为RANTES，能够吸引多种免疫细胞，包括T细胞和单核细胞。

12. IL-12：白细胞介素12，一种细胞因子，能够促进T细胞向Th1细胞分化，增强细胞毒性免疫应答。

13. IL-10：白细胞介素10，一种具有免疫调节作用的细胞因子，能够抑制炎症反应和某些免疫细胞的活性。

14. VEGF (Vascular endothelial growth factor)：血管内皮生长因子，一种促进血管生成的因子，肿瘤常利用VEGF促进自身生长和转移。

15. IFN-γ (interferon-γ)：干扰素-γ，一种细胞因子，具有抗病毒、抗肿瘤和免疫调节作用。

16. MHC (Major histocompatibility complex)：主要组织相容性复合体，是一组细胞表面蛋白，能够呈递抗原肽给T细胞。

17. TCR (T cell receptor)：T细胞受体，是T细胞表面的受体，能够识别MHC分子呈递的抗原肽。

图1通过展示这些组分之间的相互作用，阐释了免疫治疗如何通过激活和调节免疫细胞来攻击肿瘤细胞，以及肿瘤微环境如何影响这些相互作用。这对于理解免疫治疗的作用机制和开发新的治疗策略至关重要。

---

四、MOSBY模型：从全切片图像中发现多组学特征与空间生物标记物”

一作&通讯

作者类型	作者姓名	单位名称（英文）	单位名称（中文）
第一作者	Yasin Şenbabaoğlu	Genentech, Inc.	基因泰克公司
通讯作者	Kai Liu	Genentech, Inc.	基因泰克公司

基因泰克公司（Genentech, Inc.）是一家美国的生物技术公司，专注于开发和生产药物，用于治疗各种疾病，包括癌症、免疫性疾病等。它是生物技术行业的先驱之一，以其在分子生物学和遗传工程领域的创新研究而闻名。

---

文献概述

这篇文章介绍了一个名为MOSBY（Multi-Omic translation of whole slide images for Spatial Biomarker discoverY）的模型，它利用深度神经网络和对比自监督预训练来从苏木精-伊红（H&E）染色的全切片图像（WSI）中提取特征，并学习这些图像特征与大量组学数据（如RNA、DNA和蛋白质）之间的映射关系。

MOSBY模型采用了多实例学习方法，将千兆像素的WSI划分为小图块，进行图块级别的预测，并将这些预测聚合以获得幻灯片级别的预测。此外，MOSBY还能够在推断阶段实现大量组学数据的虚拟空间化，通过分析同一幻灯片上所有图块中两个组学特征之间的相关性，揭示患者特定的共定位或空间排斥模式。

研究人员在多癌种的TCGA（The Cancer Genome Atlas）数据中验证了MOSBY的性能，并通过乳腺癌中的空间分辨转录组数据和尿路上皮癌中的连续切片CD8免疫组化图像数据进行了空间验证。MOSBY模型能够识别和验证与风险和疾病状态一致相关的生物学可解释的共定位特征，这些特征在人类癌症中具有临床相关性。

文章还讨论了MOSBY在预测组学数据方面的准确性，以及如何通过对比自监督预训练提高预测性能。此外，研究人员还探讨了MOSBY在识别具有临床相关性的生物学可解释的空间生物标记物方面的潜力，这些生物标记物可能对临床决策具有指导意义。

总的来说，MOSBY模型展示了在癌症生物学中发现新见解的潜力，并且可能对临床决策产生影响。

---

重点关注

Figure 3 展示了在IMvigor211研究中，CD8免疫组化（IHC）与MOSBY模型预测一致性的代表性幻灯片。

这些幻灯片代表了从高到低的一致性百分位数（75th, 50th, 25th, 和 0th），通过皮尔逊相关系数（Pearson correlation）来衡量CD8B模型预测与CD8 IHC真实数据之间的相关性。

图表内容

1. 对齐的CD8 IHC和H&E全切片图像：展示了通过计算方法对齐的CD8 IHC图像和相应的H&E染色图像。这种对齐是进行后续分析的关键步骤，确保了比较的准确性。

2. CD8 IHC图块级别的量化热图：通过100×100像素窗口计算得到的CD8 IHC图块级别的量化数据显示为热图。这些值在第50百分位和第98百分位之间进行了剪辑，以突出显示高表达和低表达区域，背景区域用灰色表示。

3. CD8B模型预测的热图：展示了MOSBY模型预测的CD8B表达水平的热图，同样在第50百分位和第98百分位之间进行了剪辑，以突出显示预测的高表达和低表达区域，背景区域用灰色表示。

4. 密度图显示相关性：展示了应用DAB掩模的CD8 IHC全切片图像（WSI）的图块级别真实数据与MOSBY CD8B模型预测之间的相关性密度图。

特殊观察

• 高放大倍数的CD8 T细胞稀少区域：展示了一个CD8 T细胞稀少区域的高放大图像，该区域的皮尔逊相关系数非常低（r=0.011），并且存在棕色染色伪影。
• DAB掩模分类：展示了CD8 IHC图像上应用DAB掩模的结果，其中“棕色”像素被标记为绿色，包括染色伪影。
• H&E图像上的对应区域：通过幻灯片级别的计算对齐，确定了H&E图像上的对应区域。
• H&E图像上的CD8B模型预测：展示了基于H&E图像推断的CD8B模型预测，并将其覆盖在CD8 IHC图像上，用橙色和蓝色分别表示高值和低值区域。

总体而言，Figure 3 通过展示不同一致性水平的幻灯片，揭示了MOSBY模型在预测CD8表达水平方面的性能变异性，并强调了计算对齐和图像分析在病理学研究中的重要性。

---

五、HookNet-TLS：一种新型深度学习工具用于病理切片中TLS和GC的自动识别

一作&通讯

作者类型	作者姓名	单位名称（中文）
第一作者	Mart van Rijthoven	荷兰拉德堡德大学医学中心病理科
通讯作者	Francesco Ciompi	瑞士苏黎世大学实验免疫学研究所
	Karina Silina	瑞士联邦理工学院药物科学研究所

通讯作者之一：Francesco Ciompi

• 研究领域：Francesco Ciompi博士是一位在病理学和数字病理学领域具有专业知识的研究人员。他在开发和应用人工智能技术于病理图像分析方面有着显著的贡献，特别是在使用深度学习模型进行组织切片的自动分析和解释方面。
• https://www.researchgate.net/profile/Francesco-Ciompi

---

文献概述

这篇文章介绍了一种基于多分辨率深度学习模型HookNet-TLS的新方法，用于自动化、无偏见地量化和识别常规苏木精-伊红染色数字病理切片中的三级淋巴结构（TLS）和生发中心（GC），并验证了其在多种癌症中的预后相关性。

TLS是在炎症外周组织中，包括癌症中，淋巴细胞密集聚集的结构，与多种实体瘤中的改善生存和对免疫疗法的反应相关。然而，由于缺乏标准化的TLS特征描述方法，不同患者、疾病和临床中心之间TLS密度的评估受到阻碍。

研究人员开发了HookNet-TLS，利用1019张手动注释的TCGA（癌症基因组图谱）幻灯片，涵盖了透明细胞肾癌、肌层浸润性膀胱癌和肺鳞状细胞癌。研究结果表明，HookNet-TLS能够自动化地量化多种癌症类型的TLS，达到人类水平的性能，并展示出与视觉评估相似的预后关联。

文章还讨论了HookNet-TLS的潜在用途，包括作为常规H&E数字病理切片中TLS客观量化的工具，以及促进其在临床决策和癌症中TLS作用研究中的发展和使用。研究人员将HookNet-TLS公开提供，以促进其在研究中的使用。

此外，文章还详细描述了用于生成地面真实注释、模型开发、训练和评估的方法，以及用于生存分析的临床数据。研究结果表明，HookNet-TLS预测的TLS密度与手动注释的TLS密度在LUSC和KIRC肿瘤类型中显示出相似的预后相关性，而在BLCA中则需要更大的样本来可靠地评估预后相关性。研究还发现，HookNet-TLS预测的TLS和GC密度与相应的临床数据相关，这表明该模型在预测TLS作为预测和/或预后生物标志物方面的潜力。

文章最后讨论了HookNet-TLS的潜在改进方向，包括改进硬负样本采样策略、扩大TLS和GC训练集以及将肿瘤/非肿瘤组织分割纳入模型，以进一步提高模型的鲁棒性和准确性。作者还强调了将这种深度学习方法纳入常规病理工作流程的潜力。

---

重点关注

图1展示了HookNet-TLS模型的数据和处理流程，具体内容如下：

a. 数据集划分：

• 来自癌症基因组图谱（TCGA）的诊断幻灯片，包括肌层浸润性膀胱癌（BLCA）、透明细胞肾癌（KIRC）和肺鳞状细胞癌（LUSC）。
• 排除了缺乏相邻正常组织或扫描质量差的幻灯片。
• 将选定的幻灯片分为三个独立的数据集，用于模型的训练、验证和测试。

b. 标注数量：

• 所有选定的图像都进行了详尽的标注，包括三级淋巴结构（TLSs）、生发中心（GCs）和淋巴结。
• 其他各种组织（Rest）的标注较为稀疏，包括未组织的浸润物（炎症）、基质、肿瘤和各种实质区域。

c. HookNet-TLS模型架构：

• 展示了模型的架构，包括基于多分辨率图像块的训练，使用训练数据集进行。
• 后处理步骤包括使用验证数据集进行全幻灯片图像推断和对象检测优化。

总体而言，图1提供了一个清晰的视图，展示了HookNet-TLS模型如何处理和分析病理幻灯片数据，以及如何通过多分辨率学习和后处理步骤来提高模型的性能。

---

六、肿瘤微环境中的TILs分析：计算工具在病理诊断中的应用

一作&通讯

角色	姓名	单位名称（英文）	单位名称（中文）
第一作者	Mohamed Amgad	Department of Biomedical Informatics, Emory University School of Medicine	美国埃默里大学医学院生物医学信息学系
通讯作者	Roberto Salgado	Department of Pathology, GZA-ZNA Ziekenhuizen, Antwerp, Belgium	比利时安特卫普GZA-ZNA医院病理科
通讯作者	Lee A. D. Cooper	Department of Pathology, Northwestern University Feinberg School of Medicine	美国西北大学范伯格医学院病理科

通讯作者介绍：

• Roberto Salgado：Roberto Salgado 博士是比利时安特卫普GZA-ZNA医院病理科的一名专家。他在肿瘤学和病理学领域有着深入的研究，特别是在乳腺癌的生物学和治疗反应方面。Salgado 博士在国际学术界有着广泛的影响力，发表了多篇高影响力的研究论文，并在多个专业组织中担任要职。

• Lee A. D. Cooper：Lee A. D. Cooper 博士是美国西北大学范伯格医学院病理科的教授和主席。他在病理学领域有着丰富的研究经验，特别是在肿瘤病理学和分子诊断方面。Cooper 博士对推动病理学教育和研究有着显著的贡献，并在多个学术期刊和专业组织中担任领导职务。他的研究工作主要集中在开发新的诊断工具和治疗方法，以改善癌症患者的治疗效果。

---

文献概述

这篇文章综合评估了肿瘤浸润性淋巴细胞（TILs）在多种实体瘤中的预后价值，并探讨了计算方法在提高TILs评估准确性和可重复性方面的潜力。

文章强调了在三阴性乳腺癌（TNBC）和HER2阳性乳腺癌以及其他实体瘤中，TILs评估作为预后工作流程的一部分越来越受到重视。

文章讨论了以下几个主要方面：

1. TILs评估的重要性：TILs的组织学评估作为一种有前景的生物标志物，已经达到了IB级证据水平，成为预后标志物。

2. 标准化视觉报告指南：这些指南有助于减少不同读者之间的差异性，提高了TILs评估的可重复性和临床应用。

3. 计算方法的应用：文章详细讨论了使用计算方法提取空间形态预测特征的好处，这些特征使得计算机辅助诊断成为可能。

4. 计算TILs评估（CTA）的潜力：CTA能够克服传统视觉TILs评估（VTA）的固有限制，如阅片者之间的差异性、时间限制以及感知限制。

5. 算法评估的挑战和标准：包括训练、前分析、分析和临床验证的挑战和标准。

6. 机器学习模型的潜力：讨论了如何实现机器学习模型的潜力，并克服视觉评分的感知和实际限制。

7. 染色方法对算法设计和部署的影响：不同类型的染色和成像方式对算法设计、验证和能力有显著影响。

8. CTA算法的特征：这些算法需要能够捕捉临床指南中的特征，包括肿瘤相关sTILs和iTILs的评分。

9. 计算机辅助与全自动化TILs评估：讨论了在不同临床环境中使用计算机辅助工具的程度，以及全自动化评估的可能性和需求。

10. 计算TIL评分的验证和训练问题：CTA算法需要像任何预后或预测生物标志物一样进行验证，以证明其分析前验证、分析验证、临床验证和临床效用。

11. CTA在临床与学术使用中的前景：CTA在学术研究中的使用可能比临床实践中更为灵活，但在临床实践中需要更严格的验证。

12. 计算图像免疫生物标志物的未来：CTA算法能够超越人类观察者的限制，识别潜在的预后和预测免疫反应模式，成为识别肿瘤微环境中复杂空间模式和基因组关联的重要工具。

文章最后总结了，随着数字病理学和机器学习方法的进步，CTA在固体肿瘤中评估TILs的应用是技术上可行的，并且满足了客观和可重复评估的临床需求。

---

重点关注

Fig. 1 描述了在乳腺癌中对肿瘤浸润性淋巴细胞（TILs）进行评分的视觉（VTA）和计算（CTA）过程。

这个过程复杂，涉及多个步骤，并且需要根据不同的组织学亚型、切片质量和临床情况来考虑。

a. 侵袭边缘的确定：在图像中，侵袭边缘被标记为红色，这是识别肿瘤边界的关键步骤。同时，需要识别并描绘出可能干扰评分的区域，如坏死区域（用黄色表示）。

b. 肿瘤相关基质的确定：在肿瘤中心，需要确定与肿瘤相关的基质（stromal TILs，sTILs），这些区域用绿色标记。这一步涉及到对肿瘤微环境中不同组分的识别和区分。

c. 分析区域的确定：根据已发布的指南确定哪些区域应包括在分析中，哪些应排除。这需要依据临床指南和研究目的来决定。

d. 最终评分的估算：在乳腺癌中，最终的sTIL评分可以是视觉估计的，也可以是计算得出的。对于肿瘤内的TILs（iTILs），由于在视觉评估中变异性较大，因此其预后价值的证据较少。CTA可能提供更少的变异性，从而可能具有预后价值。

e. 病理学家注释的多样性：为了对计算模型进行强有力的分析验证，需要不同病理学家的注释。文中提到了几种可能的误分类情况，例如：间质性基质可能被误分类为肿瘤区域；空泡状肿瘤可能被误分类为基质；混合的正常腺体或导管、DCIS/LCIS和血管可能被误分类为肿瘤；浆细胞有时可能被误分类为癌细胞。

f. 计算评分的不同方法：文中提到了多种计算方法可以用于评分，包括：

• 区块分类（Patch classification）：最不细致的方法，可能依赖于较少的手动注释。
• 区域划分（Region delineation，Segmentation）：涉及对特定区域进行分割，需要更多的手动注释。
• 目标检测（Object detection，Individual TILs）：识别和计数单个TILs，这可能需要详尽的手动注释。
• 一个健全的计算评分算法可能会结合这些方法（和相关方法）来提高准确性和可用性。

总体而言，Fig. 1 展示了TILs评分的复杂性，并强调了计算方法在提高评分准确性和一致性方面的潜力。通过自动化和算法辅助的方法，可以减少人为误差，提高病理评估的效率和效果。

---

七、解锁肿瘤微环境：肿瘤浸润性淋巴细胞的临床意义与治疗潜力

一作&通讯

作者姓名	单位（中文）
Yanbin Liu	苏州工业园区桑田岛生物产业园C区25号楼Grit Biotechnology Ltd.
Zhenjiang Liu	上海市浦东新区盛荣路388号Grit Biotechnology Ltd.
Yarong Liu	/

---

文献概述

这篇文章综述了肿瘤免疫治疗中肿瘤浸润性淋巴细胞（tumour-infiltrating lymphocytes, TILs）的预后价值和生物学意义，以及它们在肿瘤微环境中的作用和对免疫治疗反应的影响。

文章讨论了过去二十年中肿瘤免疫治疗在多种癌症类型中取得的显著临床成功，特别是在免疫检查点抑制剂（immune checkpoint inhibitors, ICB）的使用上。文章强调了肿瘤微环境（tumour microenvironment, TME）中T细胞、NK细胞和B细胞的存在与患者对治疗的反应和预后密切相关。

文章的背景部分提到了多种策略用于激发抗肿瘤免疫，包括免疫治疗在黑色素瘤、非小细胞肺癌（NSCLC）和肾细胞癌（RCC）等肿瘤中的临床验证。文章讨论了TME的异质性和复杂性，以及其中的免疫细胞如何显著影响免疫治疗的结果和疾病预后。

文章还探讨了TILs的不同亚群，如CD8+细胞毒性T细胞、CD4+ T辅助细胞、调节性T细胞（Tregs）、自然杀伤细胞（NK细胞）和B细胞在TME中的角色。特别提到了TILs在预测对ICB治疗的反应和疾病进展中的关键调节作用。

文章还讨论了新的技术和方法，如单细胞mRNA分析，这些技术为理解肿瘤微环境中的细胞异质性和免疫反应模式提供了重要见解。文章最后总结了TME的复杂性，并强调了需要更多研究来理解不同免疫细胞在TME中的作用，以及如何利用这些知识来改进癌症治疗。

---

重点关注

Fig. 1 描述了肿瘤微环境（Tumor Microenvironment, TME）中的淋巴细胞及其功能分子。

这张图展示了不同类型淋巴细胞在TME中的作用，以及它们如何通过释放特定的分子来执行这些功能。此外，这些淋巴细胞还能形成有组织的淋巴组织聚集体，也就是所谓的三级淋巴结构（Tertiary Lymphoid Structures, TLS）。

1. 淋巴细胞的角色：图中展示了多种淋巴细胞，包括但不限于CD8+ T细胞、CD4+ T细胞（如Th1、Th2、Th17、Treg等）、B细胞、自然杀伤（NK）细胞等。每种细胞类型都有其特定的功能，比如：

   • CD8+ T细胞（细胞毒性T细胞）：通过释放穿孔素和颗粒酶来杀死肿瘤细胞。
   • CD4+ T细胞：根据其亚型（Th1、Th2、Th17等），通过分泌细胞因子（如IFN-γ、IL-4、IL-17等）来调节免疫反应。
   • Treg细胞：通过分泌抑制性细胞因子（如IL-10、TGF-β）来维持免疫耐受，防止过度的免疫反应。
   • B细胞：通过产生抗体来帮助识别和中和肿瘤抗原。

2. 功能分子：图中标注了淋巴细胞释放的特定分子，这些分子在肿瘤免疫中起着关键作用。例如：

   • 细胞因子：如干扰素-γ（IFN-γ）、肿瘤坏死因子-α（TNF-α）、白细胞介素（ILs）等，它们可以促进或抑制免疫反应。
   • 化学因子：如CCL3、CCL4、CCL5等，它们参与免疫细胞的招募和迁移。
   • 抗体：B细胞产生的抗体可以识别并结合肿瘤抗原，促进肿瘤细胞的清除。

3. 三级淋巴结构（TLS）：图中展示了在TME中形成的TLS。这些结构类似于淋巴结，但它们在组织中的位置是临时性的，并且可以在慢性炎症反应（如癌症）的背景下形成。TLS通常包含B细胞滤泡、T细胞区域和树突细胞，它们有助于局部的免疫反应和记忆细胞的生成。

4. 免疫细胞间的相互作用：图中还展示了不同免疫细胞之间的相互作用，这些相互作用对于协调有效的抗肿瘤免疫反应至关重要。

总的来说，Fig. 1 可能通过视觉化的方式，总结了淋巴细胞在TME中的复杂相互作用和它们对肿瘤生长和免疫治疗反应的影响。这种类型的图通常用于科学研究论文中，以帮助读者理解免疫细胞在肿瘤微环境中的复杂动态。

---