CN113092202A - 一种胃癌预后预测装置 - Google Patents
一种胃癌预后预测装置 Download PDFInfo
- Publication number
- CN113092202A CN113092202A CN202110318855.9A CN202110318855A CN113092202A CN 113092202 A CN113092202 A CN 113092202A CN 202110318855 A CN202110318855 A CN 202110318855A CN 113092202 A CN113092202 A CN 113092202A
- Authority
- CN
- China
- Prior art keywords
- cells
- gastric cancer
- information
- distance
- positive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000005718 Stomach Neoplasms Diseases 0.000 title claims abstract description 184
- 206010017758 gastric cancer Diseases 0.000 title claims abstract description 184
- 201000011549 stomach cancer Diseases 0.000 title claims abstract description 184
- 238000004393 prognosis Methods 0.000 title claims abstract description 93
- 210000004027 cell Anatomy 0.000 claims abstract description 258
- 210000002865 immune cell Anatomy 0.000 claims abstract description 80
- 230000001575 pathological effect Effects 0.000 claims abstract description 60
- 206010028980 Neoplasm Diseases 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 31
- 239000003550 marker Substances 0.000 claims description 29
- 108010074708 B7-H1 Antigen Proteins 0.000 claims description 19
- 102000008096 B7-H1 Antigen Human genes 0.000 claims description 19
- 102100040678 Programmed cell death protein 1 Human genes 0.000 claims description 16
- 101710089372 Programmed cell death protein 1 Proteins 0.000 claims description 16
- 101000934372 Homo sapiens Macrosialin Proteins 0.000 claims description 15
- 102100025136 Macrosialin Human genes 0.000 claims description 15
- 210000003171 tumor-infiltrating lymphocyte Anatomy 0.000 claims description 15
- 230000004186 co-expression Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000004445 quantitative analysis Methods 0.000 claims description 12
- 238000010186 staining Methods 0.000 claims description 12
- 239000003446 ligand Substances 0.000 claims description 11
- 230000007170 pathology Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 102000004169 proteins and genes Human genes 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 230000001225 therapeutic effect Effects 0.000 claims description 8
- 201000011510 cancer Diseases 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 7
- 210000004881 tumor cell Anatomy 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 210000003237 epithelioid cell Anatomy 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- SPSSULHKWOKEEL-UHFFFAOYSA-N 2,4,6-trinitrotoluene Chemical compound CC1=C([N+]([O-])=O)C=C([N+]([O-])=O)C=C1[N+]([O-])=O SPSSULHKWOKEEL-UHFFFAOYSA-N 0.000 abstract 1
- 239000000015 trinitrotoluene Substances 0.000 abstract 1
- 210000001519 tissue Anatomy 0.000 description 76
- 238000000034 method Methods 0.000 description 39
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007901 in situ hybridization Methods 0.000 description 3
- 210000004940 nucleus Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- WZUVPPKBWHMQCE-UHFFFAOYSA-N Haematoxylin Chemical compound C12=CC(O)=C(O)C=C2CC2(O)C1C1=CC=C(O)C(O)=C1OC2 WZUVPPKBWHMQCE-UHFFFAOYSA-N 0.000 description 2
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 2
- 210000001744 T-lymphocyte Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010166 immunofluorescence Methods 0.000 description 2
- 238000011532 immunohistochemical staining Methods 0.000 description 2
- 238000003364 immunohistochemistry Methods 0.000 description 2
- 238000012744 immunostaining Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000004698 lymphocyte Anatomy 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000009401 metastasis Effects 0.000 description 2
- 230000003562 morphometric effect Effects 0.000 description 2
- 238000013425 morphometry Methods 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 238000007447 staining method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 102000009058 Death Domain Receptors Human genes 0.000 description 1
- 108010049207 Death Domain Receptors Proteins 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 102000011782 Keratins Human genes 0.000 description 1
- 108010076876 Keratins Proteins 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 108091007744 Programmed cell death receptors Proteins 0.000 description 1
- 210000003719 b-lymphocyte Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000001151 cytotoxic T lymphocyte Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 238000009169 immunotherapy Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000002540 macrophage Anatomy 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 210000000822 natural killer cell Anatomy 0.000 description 1
- 239000000101 novel biomarker Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 210000003289 regulatory T cell Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/2813—Producing thin layers of samples on a substrate, e.g. smearing, spinning-on
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/30—Staining; Impregnating ; Fixation; Dehydration; Multistep processes for preparing samples of tissue, cell or nucleic acid material and the like for analysis
- G01N1/31—Apparatus therefor
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请公开了一种胃癌预后预测装置，属于医学图像技术领域。所述装置包括：第一获取模块，用于获取待检测的胃癌组织切片对应的胃癌数字病理图像；第二获取模块，用于获取所述胃癌数字病理图像上的细胞间距离信息，所述细胞间距离信息用于指示不同免疫细胞之间的紧密程度；确定模块，用于根据所述细胞间距离信息，确定所述胃癌组织切片对应的预后预测结果。本申请实施例通过基于细胞间距离信息对胃癌预后进行预测，相较于传统的TNM分期预后判断装置，保证了胃癌预后的预测效果。
Description
技术领域
本申请实施例涉及医学图像技术领域，特别涉及一种胃癌预后预测装置。
背景技术
目前临床上对胃癌预后评估一般通过细胞形态学及组织病理学检查，包括各类肿瘤性疾病的区域、良恶性质、分期、分型等，从而为临床选择正确的治疗方案、术后诊断提供依据。
在相关技术中，胃癌预后评估主要依据病理肿瘤浸润-淋巴结转移-远处转移(英文：TNM)分期系统，该分期系统基于肿瘤的生物学特性，将肿瘤的浸润深度(T)、淋巴结转移情况(N)及是否具有远处转移(M)三个基本特征进行整合，以评价胃癌的进展程度。
但由于胃癌患者个体差异大，肿瘤细胞也存在异质性，传统的TNM分期已经不能完全满足临床上患者疗效的预测，相关技术中尚未提供一种合理且有效的胃癌预后预测装置。
发明内容
本申请实施例提供了一种胃癌预后预测装置，所述技术方案如下：
一方面，本申请实施例提供了一种胃癌预后预测装置，用于计算机设备中，所述装置包括：
第一获取模块，用于获取待检测的胃癌组织切片对应的胃癌数字病理图像；
第二获取模块，用于获取所述胃癌数字病理图像上的细胞间距离信息，所述细胞间距离信息用于指示不同免疫细胞之间的紧密程度；
确定模块，用于根据所述细胞间距离信息，确定所述胃癌组织切片对应的预后预测结果。
在一种可能的实现方式中，所述获取所述胃癌数字病理图像上的细胞间距离信息，包括:
对所述胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到分析结果，所述分析结果包括所述感兴趣区域中所述免疫细胞的细胞特征和所述免疫细胞在所述胃癌数字病理图像上的空间位置信息；
根据所述分析结果，对所述免疫细胞之间的邻近程度进行分析得到所述细胞间距离信息。
在另一种可能的实现方式中，所述装置还包括：
根据所述分析结果对所述感兴趣区域中的所述免疫细胞进行筛选，得到具有指定特征的免疫细胞；
将筛选得到的所述免疫细胞的细胞数据进行存储，所述细胞数据包括所述免疫细胞在所述胃癌数字病理图像上的空间位置信息。
在另一种可能的实现方式中，所述空间位置信息为采用位置坐标形式的信息，所述位置坐标包括绝对二维图像坐标、相对二维图像坐标、绝对极坐标、相对极坐标、绝对复坐标、相对复坐标、绝对球面坐标、相对球面坐标、像素坐标和竖轴坐标中的至少一种。
在另一种可能的实现方式中，所述细胞间距离信息包括：
目标细胞的预设半径范围内其他细胞的数量分布信息，所述数量分布信息包括所述其他细胞的数量和所述其他细胞与所述目标细胞之间的平均距离，所述目标细胞为阳性细胞中的任意一种阳性细胞。
在另一种可能的实现方式中，所述目标细胞包括肿瘤细胞、PD-L1阳性细胞、CD3阳性细胞、CD8阳性细胞、CD68阳性细胞、PD-1阳性细胞中的任意一种阳性细胞，所述其他细胞为除了所述目标细胞以外的阳性细胞和/或阳性共表达细胞，所述阳性共表达细胞包括双阳性、三阳性、四阳性共表达细胞中的至少一种。
在另一种可能的实现方式中，所述获取待检测的胃癌组织切片对应的胃癌数字病理图像，包括：
通过切片扫描仪将待检测的所述胃癌组织切片进行数字化处理，得到所述胃癌数字病理图像；
其中，待检测的所述胃癌组织切片为采用特异性抗体在原始胃癌组织切片上进行多重标记复合染色得到的组织切片。
在另一种可能的实现方式中，所述特异性抗体包括对于抗体标志物特异性的抗体，所述抗体标志物包括CD3细胞、CD8细胞、Fxop3细胞、CD68细胞、Pan-CK蛋白、PD-L1配体和PD-1受体中的至少一种标志物。
在另一种可能的实现方式中，所述抗体标志物包括：CD3细胞、CD8细胞、Pan-CK蛋白和PD-L1配体的组合标志物，所述组合标志物用于标记肿瘤浸润淋巴细胞及上皮样细胞。
在另一种可能的实现方式中，所述根据所述细胞间距离信息，确定所述胃癌组织切片对应的预后预测结果，包括：
根据所述细胞间距离信息对所述胃癌数字病理图像进行评分得到评分结果；
将所述评分结果与预定参考信息进行比较，得到所述胃癌组织切片对应的预后预测结果，所述预后预测结果包括预期存活率、肿瘤复发的风险信息和癌症治疗的响应信息中的至少一种。
在另一种可能的实现方式中，所述预定参考信息与胃癌进展的特定预后、进展程度、治疗干预的功效和对所述治疗干预的反应中的至少一种相关联。
本申请实施例通过计算机设备获取待检测的胃癌组织切片对应的胃癌数字病理图像，获取胃癌数字病理图像上的细胞间距离信息，根据细胞间距离信息，确定胃癌组织切片对应的预后预测结果，其中细胞间距离信息用于指示不同免疫细胞之间的紧密程度；避免了相关技术中使用TNM分期进行胃癌预后判断时，由于缺少肿瘤微环境中免疫细胞对宿主的影响因素导致同一TNM分期预后差别较大的情况，使得基于细胞间距离信息能够更好对胃癌预后进行预测，保证了胃癌预后的预测效果。
附图说明
图1是本申请一个示例性实施例提供的计算机设备的结构示意图；
图2是本申请一个示例性实施例提供的胃癌预后预测方法的流程图；
图3是本申请另一个示例性实施例提供的胃癌预后预测方法的流程图；
图4是本申请另一个示例性实施例提供的胃癌预后预测方法的流程图；
图5至图10是本申请一个示例性实施例提供的胃癌预后预测方法涉及的示意图；
图11是本申请另一个示例性实施例提供的胃癌预后预测方法的流程图；
图12是本申请一个示例性实施例提供的胃癌预后预测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
胃癌是常见的癌性肿瘤之一，位于癌症死亡的第四位。中国胃癌的发病和死亡例数均占了全球将近一半，多数患者发现时多处于晚期，5年生存率仅为20-25％。目前临床上对胃癌患者预后的评估一般通过细胞形态学及组织病理学检查，包括各类肿瘤性疾病的区域、良恶性质、分期、分型等，从而为临床选择正确的治疗方案、术后诊断提供依据。病理TNM分期是胃癌预后的评估最经典的方式。但由于胃癌患者个体差异大，肿瘤细胞也存在异质性。传统的TNM分期已经不能完全满足临床上患者疗效的预测，特别是随着免疫治疗等新型疗法的应用。因此，需要寻找发现新型的生物标志物用于胃癌预后的评估。
肿瘤微环境的免疫特征对患者预后的评价起到重要作用。基于免疫细胞的类型、密度及位置对的免疫评分体系逐渐成为肿瘤患者预后评估中的重要指标，具有优于TNM分期的预后评估价值，能够更好的预测肿瘤患者的预后。目前已证实免疫评分与结直肠癌、肺癌、乳腺癌和卵巢癌等多种恶性肿瘤的临床结局有关。
计算机性能的大幅提升和图像分析算法的改进使得对大数据的数字病理图像分析成为可能。数字病理的发展也逐渐从定性分析向全定量分析开始转变。目前多数基于组织的体外诊断检测(如免疫组织化学(IHC)，原位杂交(ISH)，荧光原位杂交(FISH)，免疫荧光(IF)等)，仅用于测定组织样本中单个生物标志物的表达水平，组织内细胞的生物标志物阳性率或分级表达水平。但这些研究与诊断缺少组织内免疫细胞在肿瘤微环境中的空间状态评估，难以对肿瘤微环境中免疫细胞的相互作用作出评估。肿瘤微环境不同细胞间的相互作用有助于更好的评估肿瘤的预后，寻找良好的生物标志物及有效的治疗方法以及预测药物的疗效。
先前的肿瘤组织免疫细胞的评估多局限于某些组织区域内(如肿瘤侵袭性边缘、肿瘤核心区域、间质区域内免疫细胞的分布状态)，或者免疫细胞距离肿瘤边界的距离，以上的评估不依赖于本申请体现的免疫细胞间距离的分析。而本申请实施例提供了一种胃癌预后预测方法、装置及存储介质，该技术可用于医学研究和临床实践，基于细胞间距离信息进行胃癌预后预测，该细胞间距离信息用于指示不同免疫细胞之间的紧密程度，相较于传统的TNM分期的预后预测方法，提高了胃癌预后预测的准确性，保证了胃癌预后的预测效果。
请参考图1，其示出了本申请一个示例性实施例提供的计算机设备的结构示意图。
该计算机设备可以是终端或者服务器。终端包括平板电脑、膝上型便携计算机和台式计算机等等。服务器可以是一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心。
可选的，该计算机设备安装有图像处理应用程序，该图像处理应用程序是具有处理医学图像功能的应用程序。
如图1所示，计算机设备包括处理器10、存储器20以及通信接口30。本领域技术人员可以理解，图1中示出的结构并不构成对该计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器10是计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体控制。处理器10可以由CPU实现，也可以由图形处理器(Graphics Processing Unit，GPU)实现。
存储器20可用于存储软件程序以及模块。处理器10通过运行存储在存储器20的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统21、第一获取模块22、第二获取模块23和预测模块24等；存储数据区可存储根据计算机设备的使用所创建的数据等。存储器20可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，只读存储器(Read Only Memory，ROM)，磁存储器，快闪存储器，磁盘或光盘。相应地，存储器20还可以包括存储器控制器，以提供处理器10对存储器20的访问。
其中，处理器20通过运行第一获取模块22执行以下功能：获取待检测的胃癌组织切片对应的胃癌数字病理图像；处理器20通过第二获取模块23执行以下功能：获取所述胃癌数字病理图像上的细胞间距离信息，所述细胞间距离信息用于指示不同免疫细胞之间的紧密程度；处理器20通过确定模块24执行以下功能：根据所述细胞间距离信息，确定所述胃癌组织切片对应的预后预测结果。下面，采用示意性的实施例对胃癌预后预测方法进行介绍。
请参考图2，其示出了本申请一个示例性实施例提供的胃癌预后预测方法的流程图。本实施例以该胃癌预后预测方法应用于图1所示出的计算机设备来举例说明。该胃癌预后预测方法包括：
步骤201，获取待检测的胃癌组织切片对应的胃癌数字病理图像。
计算机设备获取待检测的胃癌组织切片对应的胃癌数字病理图像。
待检测的胃癌组织切片为对原始胃癌组织切片进行预处理后得到的组织切片。预处理包括免疫染色，比如免疫染色为多重免疫组化染色。
胃癌数字病理图像为对胃癌组织切片进行数字化处理得到的病理图像。
步骤202，获取胃癌数字病理图像上的细胞间距离信息，细胞间距离信息用于指示不同免疫细胞之间的紧密程度。
计算机设备获取胃癌数字病理图像上免疫细胞的空间位置分布，根据免疫细胞的空间位置分布计算得到细胞间距离信息，细胞间距离信息用于指示不同免疫细胞之间的紧密程度。
免疫细胞的空间位置分布用于指示免疫细胞的数量、类型和各个免疫细胞的位置。
细胞间距离信息用于指示不同免疫细胞之间在空间位置上的紧密程度(也可称为邻近程度)。
细胞间距离信息用于指示胃癌数字病理图像中不同免疫细胞之间在空间位置上的紧密程度。
可选的，不同免疫细胞为不同类型的免疫细胞。本申请实施例对免疫细胞的类型不加以限定。
可选的，细胞间距离信息用于指示胃癌数字病理图像中任意两类免疫细胞距离的相近程度。示意性的，细胞间距离信息包括胃癌数字病理图像中的指定区域范围内任意两类免疫细胞内之间的平均距离。
步骤203，根据细胞间距离信息，确定胃癌组织切片对应的预后预测结果。
计算机设备根据细胞间距离信息，确定胃癌组织切片对应的预后预测结果，包括但不限于以下两种可能的实现方式：
在一种可能的实现方式中，计算机设备根据细胞间距离信息和预定参考信息，确定胃癌组织切片对应的预后预测结果，其中预定参考信息与胃癌进展的特定预后相关联，该预定参考信息与胃癌进展的特定预后的关联关系是预先训练得到的。
在另一种可能的实现方式中，计算机设备将细胞间距离信息输入至预测模型中，输出得到胃癌组织切片对应的预后预测结果，预测模型为采用参考细胞间距离信息对神经网络进行训练得到的模型。评分模型用于表示细胞间距离信息与预后预测结果之间的相关关系。
预后预测结果用于指示预测的胃癌发展情况，预后预测结果包括胃癌患者的预后及指导该胃癌患者的治疗决策，该胃癌患者为胃癌组织切片对应的患者。
可选的，预后预测结果包括患者状态信息，患者状态信息用于指示炎症状态、疾病状态、疾病严重性、疾病进展、治疗功效和患者状态随时间的变化的诊断以及患者在诊断过程中的其他状态。
可选的，预后预测结果包括预期存活率、肿瘤复发的风险信息和癌症治疗的响应信息中的至少一种。本申请实施例对预后预测结果的具体内容和显示形式不加以限定。
综上所述，本申请实施例通过计算机设备获取待检测的胃癌组织切片对应的胃癌数字病理图像，获取胃癌数字病理图像上的细胞间距离信息，根据细胞间距离信息，确定胃癌组织切片对应的预后预测结果，其中细胞间距离信息用于指示不同免疫细胞之间的紧密程度；避免了相关技术中使用TNM分期进行胃癌预后判断时，由于缺少肿瘤微环境中免疫细胞对宿主的影响因素导致同一TNM分期预后差别较大的情况，使得基于细胞间距离信息能够更好对胃癌预后进行预测，保证了胃癌预后的预测效果。
请参考图3，其示出了本申请另一个示例性实施例提供的胃癌预后预测方法的流程图。本实施例以该胃癌预后预测方法应用于图1所示出的计算机设备来举例说明。该胃癌预后预测方法包括：
步骤301，通过切片扫描仪将待检测的胃癌组织切片进行数字化处理，得到胃癌数字病理图像。
其中，待检测的胃癌组织切片为采用特异性抗体在原始胃癌组织切片上进行多重标记复合染色得到的组织切片。
在获取原始胃癌组织切片后，使用特异性抗体在同一组织切片即待检测的胃癌组织切片上进行多重标记复合染色，得到待检测的胃癌组织切片。通过高分辨率切片扫描仪将待检测的胃癌组织切片进行数字化处理，由此获得待检测的胃癌组织切片对应的高清晰度的胃癌数字病理图像。
采用多重免疫组化染色技术在同一组织切片上同时标记多个单克隆抗体对不同亚群的淋巴细胞进行标记，其中淋巴细胞亚群包括T细胞、B细胞和NK细胞，可选的，在同一张组织切片上可使用多种不同的淋巴细胞抗体标志物的组合。
可选的，特异性抗体包括对于抗体标志物特异性的抗体，抗体标志物包括CD3细胞、CD8细胞、Fxop3细胞、CD68细胞、Pan-CK蛋白、PD-L1配体和PD-1受体中的至少一种标志物。
其中，CD3细胞为T淋巴细胞，CD8细胞为细胞毒性T淋巴细胞，Fxop3细胞为调节性T细胞，CD68细胞为巨噬细胞，Pan-CK蛋白为细胞角蛋白，PD-L1配体为序化死亡受体的配体，PD-1受体为程序化死亡受体。
比如，抗体标志物包括：CD3细胞、CD8细胞、Pan-CK蛋白和PD-L1配体的组合标志物，组合标志物用于标记肿瘤浸润淋巴细胞及上皮样细胞。
比如，抗体标志物包括：CD3细胞、CD8细胞和PD-L1配体的组合标志物。本申请实施例对抗体标志物的类型不加以限定。
其中组织对象通过组织学染色可视化，可以突出组织对象的存在和定位。通过特别应用的染色直接识别组织对象以突出组织对象的存在，比如苏木精以显现细胞核。
形态学特征与数字图像中观察到的组织对象的染色大小、形状、面积、质地、组织、组织关系和染色外观有关。比如，形态计量特征可以是细胞核的面积、细胞膜上抗体标志物染色的完整性、细胞核的直径、细胞的圆度、或细胞核中抗体标志物染色的强度。
在一个示意性的例子中，计算机设备获取多重荧光免疫组化染色的胃癌数字病理图像，该胃癌数字病理图像如图4所示。需要说明的是，胃癌数字病理图像实际上是彩色图像，图4仅示例性地示出了胃癌数字病理图像对应的黑白图像。
需要说明的是，还可以采用其他染色方式对胃癌组织切片进行染色，本申请实施例对胃癌组织切片的染色方式不加以限定。
步骤302，对胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到分析结果，分析结果包括感兴趣区域中免疫细胞的细胞特征和免疫细胞在胃癌数字病理图像上的空间位置信息。
计算机设备对胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到分析结果。
对于给定的抗体标志物，以下参数可用于定量每个单元的染色细胞；染色细胞总数量；每个表面单元分染色细胞的密度；分离的染色细胞(与其他染色细胞不接触)的总数量；阳性染色细胞的总数量，阳性染色细胞包括被一种或多种细胞染色的细胞。
可选的，计算机设备对胃癌数字病理图像上的感兴趣区域进行质量评价，对胃癌数字病理图像上质量评价合格的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析。
感兴趣区域为胃癌数字病理图像上标注感兴趣的组织区域。标注为人为标注或者自动标注。感兴趣区域包括全组织图像、肿瘤核心区域、肿瘤浸润性边缘区域、肿瘤上皮组织、粘膜组织中的至少一个。本实施例对此不加以限定。
可选的，计算机设备将质量评价不合格的感兴趣区域剔除，质量评价不合格的感兴趣区域为染色异质性区域。
可选的，基于病理组织学特征的颜色、光密度、形态、纹理等特征，计算机设备对对胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析，提取免疫细胞的细胞特征和免疫细胞在胃癌数字病理图像上的空间位置信息。示意性的，免疫细胞的细胞特征包括免疫细胞的数量、光密度、形状等特征，空间位置信息包括免疫细胞在组织空间分布的位置坐标。
在一个示意性的例子中，计算机设备对胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到不同免疫细胞的分析结果，该分析结果采用如图5所示的图像形式进行显示。需要说明的是，分析结果对应的图像实际上是彩色图像，图5仅示例性地示出了该彩色图像对应的黑白图像。
由计算机设备实现的图像分析算法应用于组织样本的每一个图像中，通过基于组织的测试来提取图像分析特征(比如形态测量、染色和位置特征)，该图像分析特征用于指示每个图像中的组织对象。图像分析功能是为图像对象提取的，这些图像是像素的分组，与组织对象和具有相似属性是细胞分组有关(比如常见抗体标志物染色水平的细胞)，以及具有相似属性是单元分组之间的连接部分(比如肿瘤/基质界面)。计算机设备实现的图像分析算法提取图像中每个感兴趣的组织对象的图像分析特征，并将值存储到计算机存储器或数据库中以进一步分析。可选的，计算机设备在对胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到分析结果之后，根据分析结果对感兴趣区域中的免疫细胞进行筛选，得到具有指定特征的免疫细胞；将筛选得到的免疫细胞的细胞数据进行存储，细胞数据包括免疫细胞在胃癌数字病理图像上的空间位置信息。
计算机设备将将筛选得到的免疫细胞的细胞数据存储至存储器中，细胞数据包括免疫细胞在胃癌数字病理图像上的空间位置信息，细胞数据还可以包括免疫细胞的细胞特征。
步骤303，根据分析结果，对免疫细胞之间的邻近程度进行分析得到细胞间距离信息。
计算机设备根据分析结果，对免疫细胞之间的邻近程度进行分析得到细胞间距离信息。
计算机设备根据分析结果，采用预设距离算法计算得到免疫细胞之间的细胞间距离信息。比如，预设距离算法为接近中心性分析算法(英文：Closeness analysis)和/或Delaunay三角剖分算法(英文：Delaunay triangulation)。
可选的，空间位置信息为采用位置坐标形式的信息，位置坐标包括绝对二维图像坐标、相对二维图像坐标、绝对极坐标、相对极坐标、绝对复坐标、相对复坐标、绝对球面坐标、相对球面坐标、像素坐标和竖轴坐标中的至少一种。
可选的，细胞间距离信息包括：目标细胞的预设半径范围内其他细胞的数量分布信息，数量分布信息用于指示其他细胞的数量和其他细胞与目标细胞之间的平均距离，目标细胞为阳性细胞中的任意一种阳性细胞。
示意性的，目标细胞为第一细胞，其他细胞为第二细胞，第一细胞不同于第二细胞，细胞间距离信息包括如下内容中的至少一种：检测范围内第一细胞的总数量；第一细胞的局部数量，第一细胞的局部数量为第一细胞在预设半径范围内与第二细胞距离小于预设距离阈值的数量；第一细胞的局部数量占第一细胞的总数量的百分比；第一细胞与第二细胞之间平均的细胞间距。
预设距离阈值为默认设置或者自定义设置的数值。本实施例对此不加以限定。
目标细胞的预设半径范围为以目标细胞为圆点，且半径为预设半径的圆形区域范围。比如，预设半径为50μm。
其他细胞与目标细胞之间的平均距离为其他细胞与目标细胞之间的平均的细胞间距。
可选的，目标细胞包括肿瘤细胞、PD-L1阳性细胞、CD3阳性细胞、CD8阳性细胞、CD68阳性细胞、PD-1阳性细胞中的任意一种阳性细胞，其他细胞为除了目标细胞以外的阳性细胞和/或阳性共表达细胞，阳性共表达细胞包括双阳性、三阳性、四阳性共表达细胞中的至少一种。
可选的，细胞间距离信息包括但不限于如下信息：
肿瘤细胞在第一预设半径范围内CD3/CD8/CD68/PD-L1/PD-1阳性细胞以及双阳性、三阳性、四阳性共表达细胞的数量及平均距离；
PD-L1阳性细胞在第二预设半径范围内CD3/CD8/CD68/PD-1阳性细胞以及双阳性、三阳性、四阳性共表达细胞的数量及平均距离；
CD3阳性细胞在第三预设半径范围内CD8/CD68/PD-L1/PD-1阳性细胞以及双阳性、三阳性、四阳性共表达细胞的数量及平均距离；
CD8阳性细胞在第四预设半径范围内CD3/CD68/PD-L1/PD-1阳性细胞以及双阳性、三阳性、四阳性共表达细胞的数量及平均距离；
CD68阳性细胞在第五预设半径范围内CD3/CD8/PD-L1/PD-1阳性细胞以及双阳性、三阳性、四阳性共表达细胞的数量及平均距离；
PD-1阳性细胞在第六预设半径范围内CD3/CD8/CD68/PD-1阳性细胞以及双阳性、三阳性、四阳性共表达细胞的数量及平均距离。
需要说明的是，多个目标细胞各自对应的预设半径范围是相同的，或者，多个目标细胞各自对应的预设半径范围中存在至少两个预设半径范围是相同的，或者多个目标细胞各自对应的预设半径范围均不同。本申请实施例对此不加以限定。
在一个示意性的例子中，如图6所示，定位组织中某个具有特定特征的细胞A，依据x-y轴坐标绘制空间散点图；定位组织中某个具有特定特征的细胞B，依据x-y轴坐标绘制空间散点图。需要说明的是，空间散点图实际上是彩色图像，图6仅示例性地示出了该空间散点图对应的黑白图像。
计算机设备基于欧几里得距离(英文：Euclidean distance)及Delaunay三角剖分算法计算细胞A与细胞B之间的距离，并生成距离矩阵。
可选的，细胞A的位置坐标为(xA，yA)，细胞B的位置坐标为(xB，yB)，计算机设备通过如下公式计算细胞A与细胞B之间的最短距离：
细胞A的50μm半径范围内最邻近距离检索方法的示意图如图7所示，细胞A与细胞B之间的Delaunay三角剖分算法的原理示意图如图8所示。
计算机设备计算细胞A在预设半径R(如50μm)的范围内细胞B的数量，细胞A在50μm半径范围内细胞B的数量分布示意图如图9所示，生成细胞A与细胞B最短距离分布柱状图，如图10所示。
其中，细胞间距离信息包括以下内容：1)检测范围内细胞A的数量；2)细胞A在预设半径R的范围内最邻近细胞B的数量；3)细胞A在预设半径R的范围内最临近细胞B的数量占所有细胞A数量的百分比；4)细胞A与细胞B间平均的细胞间距。
需要说明的是，上述仅示例性地采用欧几里得距离和Delaunay三角剖分算法计算细胞之间的距离，还可以采用其他计算方式计算细胞间距离，本申请实施例对细胞之间的距离计算方式不加以限定。
步骤304，根据细胞间距离信息对胃癌数字病理图像进行评分得到评分结果。
计算机设备根据细胞间距离信息对胃癌数字病理图像进行评分得到评分结果。
可选的，计算机设备预先训练评分模型，将细胞间距离信息输入至评分模型中输出得到评分结果，评分模型为采用参考细胞间距离信息对神经网络进行训练得到的模型。评分模型是预先训练的用于表示细胞间距离信息与评分结果之间的相关关系的模型。
步骤305，将评分结果与预定参考信息进行比较，得到胃癌组织切片对应的预后预测结果，预后预测结果包括预期存活率、肿瘤复发的风险信息和癌症治疗的响应信息中的至少一种。
计算机设备将评分结果与预定参考信息进行比较，得到胃癌组织切片对应的预后预测结果，预后预测结果包括预期存活率、肿瘤复发的风险信息和癌症治疗的响应信息中的至少一种。
可选的，预定参考信息与胃癌进展的特定预后、进展程度、治疗干预的功效和对治疗干预的反应中的至少一种相关联。
可选的，预定参考信息包括参考评分，当评分结果与参考评分之间的差值绝对值小于预设阈值时，将预后预测结果确定为该参考评分相关联的特定预后。本实施例对此不加以限定。
在一种可能的实现方式中，本申请另一个示例性实施例提供的胃癌预后预测方法的流程图如图11所示，该胃癌预后预测方法包括但不限于：
步骤1101，在获取原始胃癌组织切片后，使用特异性抗体在同一组织切片上进行多重标记复合染色，得到待检测的胃癌组织切片。
步骤1102，通过切片扫描仪将待检测的胃癌组织切片进行数字化处理，得到胃癌数字病理图像。
步骤1103，手动或者自动注释胃癌数字病理图像上的感兴趣区域。
步骤1104，对胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到分析结果。
其中，分析结果包括感兴趣区域中免疫细胞的细胞特征和免疫细胞在胃癌数字病理图像上的空间位置信息。
步骤1105，根据分析结果对感兴趣区域中的免疫细胞进行筛选，得到具有指定特征的免疫细胞。
将筛选得到的免疫细胞的细胞数据存储至存储器中，细胞数据包括免疫细胞在胃癌数字病理图像上的空间位置信息。
步骤1106，对免疫细胞之间的邻近程度进行分析得到细胞间距离信息。步骤1107，根据细胞间距离信息，确定胃癌组织切片对应的预后预测结果。
需要说明的是，图11中各个步骤执行的过程可参考上述方法实施例中的相关细节，在此不再赘述。
综上所述，本申请实施例还通过计算机设备在对胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到分析结果之后，根据分析结果对感兴趣区域中的免疫细胞进行筛选，得到具有指定特征的免疫细胞；将筛选得到的免疫细胞的细胞数据进行存储，以便后续对筛选得到的免疫细胞的细胞数据进行进一步地分析。
本申请实施例还通过细胞间距离信息包括目标细胞的预设半径范围内其他细胞的数量分布信息，数量分布信息包括其他细胞的数量和其他细胞与目标细胞之间的平均距离，使得基于该细胞间距离信息确定出的预后预测结果更加准确，进一步保证了胃癌预后的预测效果。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参考图12，其示出了本申请一个示例性实施例提供的胃癌预后预测装置的结构示意图。该胃癌预后预测装置可以通过专用硬件电路，或者，软硬件的结合实现成为图1中的计算机设备的全部或一部分，该胃癌预后预测装置包括：第一获取模块1210、第二获取模块1220和确定模块1230。
第一获取模块1210，用于获取待检测的胃癌组织切片对应的胃癌数字病理图像；
第二获取模块1220，用于获取胃癌数字病理图像上的细胞间距离信息，细胞间距离信息用于指示不同免疫细胞之间的紧密程度；
确定模块1230，用于根据细胞间距离信息，确定胃癌组织切片对应的预后预测结果。
在一种可能的实现方式中，第二获取模块1220，还用于：
对胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到分析结果，分析结果包括感兴趣区域中免疫细胞的细胞特征和免疫细胞在胃癌数字病理图像上的空间位置信息；
根据分析结果，对免疫细胞之间的邻近程度进行分析得到细胞间距离信息。
在另一种可能的实现方式中，该装置还包括：筛选模块和存储模块。
筛选模块，用于根据分析结果对感兴趣区域中的免疫细胞进行筛选，得到具有指定特征的免疫细胞；
存储模块，用于将筛选得到的免疫细胞的细胞数据进行存储，细胞数据包括免疫细胞在胃癌数字病理图像上的空间位置信息。
在另一种可能的实现方式中，空间位置信息为采用位置坐标形式的信息，位置坐标包括绝对二维图像坐标、相对二维图像坐标、绝对极坐标、相对极坐标、绝对复坐标、相对复坐标、绝对球面坐标、相对球面坐标、像素坐标和竖轴坐标中的至少一种。
在另一种可能的实现方式中，细胞间距离信息包括：
目标细胞的预设半径范围内其他细胞的数量分布信息，数量分布信息包括其他细胞的数量和其他细胞与目标细胞之间的平均距离，目标细胞为阳性细胞中的任意一种阳性细胞。
在另一种可能的实现方式中，目标细胞包括肿瘤细胞、PD-L1阳性细胞、CD3阳性细胞、CD8阳性细胞、CD68阳性细胞、PD-1阳性细胞中的任意一种阳性细胞，其他细胞为除了目标细胞以外的阳性细胞和/或阳性共表达细胞，阳性共表达细胞包括双阳性、三阳性、四阳性共表达细胞中的至少一种。
在另一种可能的实现方式中，第一获取模块1210，还用于：
通过切片扫描仪将待检测的胃癌组织切片进行数字化处理，得到胃癌数字病理图像；
其中，待检测的胃癌组织切片为采用特异性抗体在原始胃癌组织切片上进行多重标记复合染色得到的组织切片。
在另一种可能的实现方式中，特异性抗体包括对于抗体标志物特异性的抗体，抗体标志物包括CD3细胞、CD8细胞、Fxop3细胞、CD68细胞、Pan-CK蛋白、PD-L1配体和PD-1受体中的至少一种标志物。
在另一种可能的实现方式中，抗体标志物包括：CD3细胞、CD8细胞、Pan-CK蛋白和PD-L1配体的组合标志物，组合标志物用于标记肿瘤浸润淋巴细胞及上皮样细胞。
在另一种可能的实现方式中，确定模块1230，还用于：
根据细胞间距离信息对胃癌数字病理图像进行评分得到评分结果；
将评分结果与预定参考信息进行比较，得到胃癌组织切片对应的预后预测结果，预后预测结果包括预期存活率、肿瘤复发的风险信息和癌症治疗的响应信息中的至少一种。
在另一种可能的实现方式中，预定参考信息与胃癌进展的特定预后、进展程度、治疗干预的功效和对治疗干预的反应中的至少一种相关联。
相关细节可结合参考上述各个方法实施例。其中，第一获取模块1210和第二获取模块1220还用于实现上述方法实施例中其他任意隐含或公开的与获取步骤相关的功能；确定模块1230还用于实现上述方法实施例中其他任意隐含或公开的与确定步骤相关的功能。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请实施例提供了一种计算机设备，计算机设备包括处理器和存储器；存储器存储有至少一条指令，至少一条指令用于被处理器执行以实现上述各个方法实施例中的胃癌预后预测方法。该计算机设备可以是终端，也可以是服务器。
本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有至少一条指令，至少一条指令由处理器加载并执行以实现上述各个方法实施例中由计算机设备执行的胃癌预后预测方法。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的胃癌预后预测方法中全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种胃癌预后预测装置，其特征在于，用于计算机设备中，所述装置包括：
第一获取模块，用于获取待检测的胃癌组织切片对应的胃癌数字病理图像；
第二获取模块，用于获取所述胃癌数字病理图像上的细胞间距离信息，所述细胞间距离信息用于指示不同免疫细胞之间的紧密程度；
确定模块，用于根据所述细胞间距离信息，确定所述胃癌组织切片对应的预后预测结果。
2.根据权利要求1所述的装置，其特征在于，所述获取所述胃癌数字病理图像上的细胞间距离信息，包括:
对所述胃癌数字病理图像上的感兴趣区域进行肿瘤浸润淋巴细胞的定量分析得到分析结果，所述分析结果包括所述感兴趣区域中所述免疫细胞的细胞特征和所述免疫细胞在所述胃癌数字病理图像上的空间位置信息；
根据所述分析结果，对所述免疫细胞之间的邻近程度进行分析得到所述细胞间距离信息。
3.根据权利要求2所述的装置，其特征在于，所述第二获取模块还包括：
根据所述分析结果对所述感兴趣区域中的所述免疫细胞进行筛选，得到具有指定特征的免疫细胞；
将筛选得到的所述免疫细胞的细胞数据进行存储，所述细胞数据包括所述免疫细胞在所述胃癌数字病理图像上的空间位置信息。
4.根据权利要求2或3所述的装置，其特征在于，所述空间位置信息为采用位置坐标形式的信息，所述位置坐标包括绝对二维图像坐标、相对二维图像坐标、绝对极坐标、相对极坐标、绝对复坐标、相对复坐标、绝对球面坐标、相对球面坐标、像素坐标和竖轴坐标中的至少一种。
5.根据权利要求2所述的装置，其特征在于，所述细胞间距离信息包括：
目标细胞的预设半径范围内其他细胞的数量分布信息，所述数量分布信息包括所述其他细胞的数量和所述其他细胞与所述目标细胞之间的平均距离，所述目标细胞为阳性细胞中的任意一种阳性细胞。
6.根据权利要求5所述的装置，其特征在于，所述目标细胞包括肿瘤细胞、PD-L1阳性细胞、CD3阳性细胞、CD8阳性细胞、CD68阳性细胞、PD-1阳性细胞中的任意一种阳性细胞，所述其他细胞为除了所述目标细胞以外的阳性细胞和/或阳性共表达细胞，所述阳性共表达细胞包括双阳性、三阳性、四阳性共表达细胞中的至少一种。
7.根据权利要求1所述的装置，其特征在于，所述获取待检测的胃癌组织切片对应的胃癌数字病理图像，包括：
通过切片扫描仪将待检测的所述胃癌组织切片进行数字化处理，得到所述胃癌数字病理图像；
其中，待检测的所述胃癌组织切片为采用特异性抗体在原始胃癌组织切片上进行多重标记复合染色得到的组织切片。
8.根据权利要求7所述的装置，其特征在于，所述特异性抗体包括对于抗体标志物特异性的抗体，所述抗体标志物包括CD3细胞、CD8细胞、Fxop3细胞、CD68细胞、Pan-CK蛋白、PD-L1配体和PD-1受体中的至少一种标志物。
9.根据权利要求8所述的装置，其特征在于，所述抗体标志物包括：CD3细胞、CD8细胞、Pan-CK蛋白和PD-L1配体的组合标志物，所述组合标志物用于标记肿瘤浸润淋巴细胞及上皮样细胞。
10.根据权利要求1所述的装置，其特征在于，所述根据所述细胞间距离信息，确定所述胃癌组织切片对应的预后预测结果，包括：
根据所述细胞间距离信息对所述胃癌数字病理图像进行评分得到评分结果；
将所述评分结果与预定参考信息进行比较，得到所述胃癌组织切片对应的预后预测结果，所述预后预测结果包括预期存活率、肿瘤复发的风险信息和癌症治疗的响应信息中的至少一种；
其中，所述预定参考信息与胃癌进展的特定预后、进展程度、治疗干预的功效和对所述治疗干预的反应中的至少一种相关联。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110318855.9A CN113092202A (zh) | 2021-03-25 | 2021-03-25 | 一种胃癌预后预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110318855.9A CN113092202A (zh) | 2021-03-25 | 2021-03-25 | 一种胃癌预后预测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113092202A true CN113092202A (zh) | 2021-07-09 |
Family
ID=76669571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110318855.9A Pending CN113092202A (zh) | 2021-03-25 | 2021-03-25 | 一种胃癌预后预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113092202A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114113012A (zh) * | 2021-11-08 | 2022-03-01 | 北京市肿瘤防治研究所 | 一种her2阳性胃癌免疫微环境特征的分析方法及应用 |
| CN114581908A (zh) * | 2022-02-21 | 2022-06-03 | 广州锟元方青医疗科技有限公司 | 一种pd-l1免疫组化评分方法、系统、装置与存储介质 |
| CN117765533A (zh) * | 2024-02-22 | 2024-03-26 | 天津医科大学第二医院 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100047245A1 (en) * | 2005-06-30 | 2010-02-25 | Lacy Susan E | Il-12/p40 binding proteins |
| US20150153349A1 (en) * | 2012-06-14 | 2015-06-04 | Inserm (Institut National De La Sante Et De La Recherche Medicale) | Method for Quantifying Immune Cells in Tumoral Tissues and its Applications |
| WO2015124777A1 (en) * | 2014-02-21 | 2015-08-27 | Ventana Medical Systems, Inc. | Medical image analysis for identifying biomarker-positive tumor cells |
| US20160305947A1 (en) * | 2013-12-10 | 2016-10-20 | Merck Sharp & Dohme Corp. | Immunohistochemical proximity assay for pd-1 positive cells and pd-ligand positive cells in tumor tissue |
| WO2017198790A1 (en) * | 2016-05-18 | 2017-11-23 | F. Hoffmann-La Roche Ag | Tumor proximity measure |
| WO2019020556A1 (en) * | 2017-07-24 | 2019-01-31 | Ventana Medical Systems, Inc. | METHODS AND SYSTEMS FOR ASSESSING INFILTRAT OF IMMUNE CELLS IN TUMOR SAMPLES |
-
2021
- 2021-03-25 CN CN202110318855.9A patent/CN113092202A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100047245A1 (en) * | 2005-06-30 | 2010-02-25 | Lacy Susan E | Il-12/p40 binding proteins |
| US20150153349A1 (en) * | 2012-06-14 | 2015-06-04 | Inserm (Institut National De La Sante Et De La Recherche Medicale) | Method for Quantifying Immune Cells in Tumoral Tissues and its Applications |
| US20160305947A1 (en) * | 2013-12-10 | 2016-10-20 | Merck Sharp & Dohme Corp. | Immunohistochemical proximity assay for pd-1 positive cells and pd-ligand positive cells in tumor tissue |
| WO2015124777A1 (en) * | 2014-02-21 | 2015-08-27 | Ventana Medical Systems, Inc. | Medical image analysis for identifying biomarker-positive tumor cells |
| US20170103521A1 (en) * | 2014-02-21 | 2017-04-13 | Ventana Medical Systems, Inc. | Medical image analysis for identifying biomarker-positive tumor cells |
| WO2017198790A1 (en) * | 2016-05-18 | 2017-11-23 | F. Hoffmann-La Roche Ag | Tumor proximity measure |
| US20190287240A1 (en) * | 2016-05-18 | 2019-09-19 | Hoffmann-La Roche Inc. | Tumor proximity measure |
| WO2019020556A1 (en) * | 2017-07-24 | 2019-01-31 | Ventana Medical Systems, Inc. | METHODS AND SYSTEMS FOR ASSESSING INFILTRAT OF IMMUNE CELLS IN TUMOR SAMPLES |
| US20200234442A1 (en) * | 2017-07-24 | 2020-07-23 | Ventana Medical Systems, Inc. | Methods and systems for evaluation of immune cell infiltrate in tumor samples |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114113012A (zh) * | 2021-11-08 | 2022-03-01 | 北京市肿瘤防治研究所 | 一种her2阳性胃癌免疫微环境特征的分析方法及应用 |
| CN114581908A (zh) * | 2022-02-21 | 2022-06-03 | 广州锟元方青医疗科技有限公司 | 一种pd-l1免疫组化评分方法、系统、装置与存储介质 |
| CN114581908B (zh) * | 2022-02-21 | 2024-03-19 | 广州锟元方青医疗科技有限公司 | 一种pd-l1免疫组化评分方法、系统、装置与存储介质 |
| CN117765533A (zh) * | 2024-02-22 | 2024-03-26 | 天津医科大学第二医院 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
| CN117765533B (zh) * | 2024-02-22 | 2024-04-26 | 天津医科大学第二医院 | 一种用于口腔黏膜癌预测的图像处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shaban et al. | A novel digital score for abundance of tumour infiltrating lymphocytes predicts disease free survival in oral squamous cell carcinoma | |
| CN113092202A (zh) | 一种胃癌预后预测装置 | |
| Bhargava et al. | Computationally derived image signature of stromal morphology is prognostic of prostate cancer recurrence following prostatectomy in African American patients | |
| EP3195191B1 (en) | Systems and methods for calculating immune scores | |
| Bychkov et al. | Deep learning identifies morphological features in breast cancer predictive of cancer ERBB2 status and trastuzumab treatment efficacy | |
| US7899623B2 (en) | Methods and computer program products for analysis and optimization of marker candidates for cancer prognosis | |
| JP2024028874A (ja) | コンピュータ検出方法のための電子画像を処理するためのシステムおよび方法 | |
| US20110111435A1 (en) | Detecting Cell Surface Markers | |
| US11475566B2 (en) | Systems and methods to process electronic images for continuous biomarker prediction | |
| Ing et al. | A novel machine learning approach reveals latent vascular phenotypes predictive of renal cancer outcome | |
| Mori et al. | Characterizing the tumor immune microenvironment with tyramide-based multiplex immunofluorescence | |
| US12094571B2 (en) | Systems and methods for predictive molecular biomarker identification and quantification from morphology changes in histopathology tissue | |
| Allam et al. | Spatially variant immune infiltration scoring in human cancer tissues | |
| Marliot et al. | Immunoscore assay for the immune classification of solid tumors: Technical aspects, improvements and clinical perspectives | |
| CN112912923A (zh) | 基于距离的组织状态确定 | |
| Xue et al. | Deep learning to automatically evaluate HER2 gene amplification status from fluorescence in situ hybridization images | |
| Zhao et al. | Multiplex imaging in immuno-oncology | |
| Aziz et al. | Evaluation of tumor cell proliferation by Ki-67 expression and mitotic count in lymph node metastases from breast cancer | |
| CN114022472B (zh) | 一种肿瘤浸润淋巴细胞分析方法、装置和存储介质 | |
| Grote et al. | Exploring the spatial dimension of estrogen and progesterone signaling: detection of nuclear labeling in lobular epithelial cells in normal mammary glands adjacent to breast cancer | |
| Saqi et al. | Combined expert-in-the-loop—random forest multiclass segmentation U-net based artificial intelligence model: evaluation of non-small cell lung cancer in fibrotic and non-fibrotic microenvironments | |
| Amgad et al. | A population-level computational histologic signature for invasive breast cancer prognosis | |
| Veltri et al. | Histomorphometry of digital pathology: case study in prostate cancer | |
| Li | Novel Population Specific Computational Pathology-based Prognostic and Predictive Biomarkers for Breast Cancer | |
| US20240242835A1 (en) | Automated digital assessment of histologic samples |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |