Résumé LB175 : L'apprentissage profond faiblement supervisé permet l'inférence des types cellulaires avec résolution spatiale à partir d'histopathologie H&E

Key Points

• Cette recherche vise à développer un cadre pour inférer les types cellulaires à partir d'images histopathologiques traditionnelles sans nécessiter d'annotations complexes.
• Développement du cadre d'apprentissage profond SLIDE-EX utilisant des images entières H&E de routine et des étiquettes au niveau des lames issues du séquençage ARN.
• Test du cadre sur des échantillons de cancer du sein avec données de transcriptomique spatiale et annotations d'experts.
• Comparaison des performances de SLIDE-EX avec HoVer-Net, un modèle conçu pour la détection au niveau des noyaux.
• SLIDE-EX a atteint des valeurs d'aire sous la courbe de 0,82 pour les cellules cancéreuses, 0,85 pour les cellules stromales et 0,79 pour les lymphocytes.
• SLIDE-EX a surpassé HoVer-Net pour tous les types cellulaires, indiquant une capacité prédictive supérieure.
• Le modèle a prédit l'expression génique spécifique aux types cellulaires pour des milliers de gènes, enrichissant les fonctions cellulaires et améliorant la prédiction de la réponse à la chimiothérapie.

Abstract