JP6650453B2 - 早期癌予知のための計算病理学システム及び方法 - Google Patents

Description

本開示は、計算病理学（ｈｔｔｐ：／／ｗｗｗ．ｃｏｍｐｕｔａｔｉｏｎａｌ−ｐａｔｈｏｌｏｇｙ．ｏｒｇ／参照）に関する。より詳しくは、本開示は、組織切片の組織病理に関する画像及び患者生存転帰データを用いて、早期患者の中の癌再発のリスクを予測することに関する。

生物試料、例えば組織切片、血液、細胞培養等は、１つ又は複数の染色で染色され、組織内のバイオマーカー発現を識別及び定量化し、その後、染色された標本を視認又は画像化することによって分析されてもよい。染色された標本を観察することは、追加の臨床情報と組み合わせて、疾患の診断、予知及び／又は治療に対する応答の予測評価を可能にし、疾患と闘うための新薬の開発を支援する。本願明細書において、ターゲット又はターゲット対象は、染色が識別する標本の特徴である。ターゲット又はターゲット対象は、タンパク質、タンパク質小片、核酸、又は、抗体、分子プローブ又は非特異的染色によって認識される他の関心対象でもよい。特別に認識されるターゲットは、本開示において、バイオマーカーと称されてもよい。いくつかの染色は、バイオマーカーを特別にターゲットにしない（例えば、組織内のすべての核を染色する対比染色ヘマトキシリン）。ヘマトキシリンは、そのターゲットに対する固定関係を有するが、大部分の免疫組織化学的バイオマーカーは、染色の選択によって識別可能である。特定のバイオマーカーは、アッセイの特定の必要に応じて、さまざまな染色を用いて視覚化可能である。

根治目的の手術及び／又は治療を受けている限局性（早期、除去可能）の乳癌患者は、局所又は遠隔癌再発の潜在的なリスクがあり、再発を経験する患者の死亡率は、増加する。リスクのサイズに応じて、異なる治療の選択肢が存在する。それゆえ、ローリスク又はハイリスクの癌再発を有する患者を確実に識別可能なアッセイが必要である。したがって、ハイリスクの患者とローリスクの患者とを確実に区別し、ヘルスケア提供者に患者の治療の選択肢を決定するときに考慮するための追加情報を提供することができる技術もまた必要である。

本発明は、計算病理学システムを提供し、独立請求項に記載されるように、デジタル病理学システムを用いて、癌生検組織サンプルをデジタル化し、次に、デジタル化された組織スライドを分析するための画像分析ワークフロー方法及び組織サンプル内の得られたバイオマーカー発現を患者生存転帰情報に関連させる統計分析方法を用いて、早期癌予知のような癌組織サンプルの予知及び予想評価のための予知モデルを構成及び臨床使用する。本発明の実施形態は、従属請求項において与えられる。

本開示は、予知モデルを構成し、患者の再発リスクを予測し、患者をハイリスク又はローリスクのグループに分類することによって、早期乳癌患者のための信頼性が高いリスク分類を提供するシステム及びコンピュータ実装方法を示す。リスク分類システムは、複数の患者から組織病理に関する（Ｈ＆Ｅ及びＩＨＣ）組織スライドを含む訓練コホートを、前記患者のための生存転帰データとともに用いて訓練されてもよい。組織スライドは、特殊な染色プロトコルに従って処理され、明視野又は蛍光顕微鏡又は全スライドスキャナ上でデジタル化され、自動化された画像分析アルゴリズムを用いて分析され、組織スライド内の染色又はバイオマーカー発現を定量化してもよい。発現を定量化することは、複数のスライドスコアが組み合わせられ、リスク分類スコアを決定してもよい特定のスコアリングプロトコルを用いて、達成されてもよい。リスク分類システムは、比例ハザード回帰モジュールを含んでもよく、これを用いて、すべての組織スライドスコアからの情報を組み合わせるとともに、訓練コホートの患者のための生存転帰データに対して統計学的に相関する、患者のための全体的なスコアリングアルゴリズムを生成する。比例ハザード回帰モジュールは、コックス比例ハザードモデルを含んでもよい。カットオフポイントは、リスク分類スコア上で計算され、リスク分類スコアは、訓練患者サンプルの組を、彼らの間のカプランマイヤー生存確率推定曲線の間の分離を最大にすることによって、ローリスク及びハイリスクのグループに最適に分類することを含んでもよい。その後、同一の染色プロトコルを用いて処理され、デジタル化され、画像分析及び／又はスコアリングプロトコルに従って生成されるスコアによって追従される任意の単一の患者の組織スライドは、組み合わせられ、訓練プロセス中に生成されるリスク分類スコアリングアルゴリズムを用いて分析され、生成されたカットオフポイントを用いて分類され、単一の患者のための生存確率及び／又は予知を予測してもよい。

一例示的実施形態では、本開示は、早期癌予知のための画像分析システム及びコンピュータ実装方法を含む。連続切片の組織スライドのデジタル化された全スライド画像は、シンプレックス又はマルチプレックスの方法論を利用して、所望の一組の組織病理に関するアッセイ（Ｈ＆Ｅ、ＩＨＣ）によって染色され、組織内の腫瘍及び免疫マーカー発現を評価する。この種の染色方法は、例えば、（１）第１の組織スライド（例、Ｈ＆Ｅスライド又はＫｉ６７スライド）又は（Ｈ＆Ｅ及びＫｉ−６７のような）選択された、いくつかのスライドのサブセットのデジタル化画像上の注釈がつけられた１つ又は複数の領域（全スライド上のすべての腫瘍領域、特定の「マーカーホットスポット」すなわち、特定のマーカーが過剰発現する腫瘍小領域、組織微環境からの免疫特定領域、腫瘍領域と隣接する間質領域）を、複数の組織スライドの各々のデジタル化画像にマッピングするステップであって、複数の組織スライドは、組織塊からの連続切片に対応するステップと、（２）各組織スライド上の１つ又は複数の腫瘍マーカー又は免疫マーカーの発現を定量化するために、マーカーに特有の画像分析アルゴリズムを用いてスコアリングすることによって、複数の組織スライドのための全スライドスコアを計算するステップであって、計算されたマーカー発現は、一般的に用いられる全スライドスコア測定基準（マーカー陽性百分率、Ｈ−スコア、特定の細胞タイプの絶対的又は相対的な計数又は密度等）に関して定量化されるステップと、（３）数式を用いて、及び、予知モデルによって定まるような一組の組み合わせ係数を用いて、全スライドスコアを組み合わせることによって、リスク分類スコアを計算するステップと、を含んでもよく、患者は、リスク分類スコアのカットオフポイントに基づいて、ロー再発リスク又はハイ再発リスクのグループに分類されてもよい。

他の例示的実施形態において、本開示は、早期癌予知のシステムを備える。システムは、プロセッサと、プロセッサに結合されるメモリと、を含み、メモリは、コンピュータ可読命令を格納するように構成され、コンピュータ可読命令は、プロセッサによって実行されるとき、プロセッサに、Ｈ＆Ｅ組織スライド上の一組の全腫瘍領域を生成するステップであって、全腫瘍領域は、注釈ツールを用いて、全スライド画像評価システム内のデジタル化された全スライド上で、病理学者によって手動で注釈がつけられてもよいし、又は、全腫瘍領域を自動的に検出及び識別するために、画像分析アルゴリズムを用いて生成されてもよいステップと、複数の隣接組織スライドの各々によって、Ｈ＆Ｅスライド上の注釈がつけられた全腫瘍領域をレジストレーションするステップと、注釈をそれらの各々にマッピングするステップと、画像分析アルゴリズムを分析に用いて、複数の隣接ＩＨＣ組織スライドの各々上のマーカー発現のための全スライドスコア、例えば陽性百分率、Ｈ−スコア、総細胞計数を生成するステップと、一組の係数を有する数式を用いて、ＩＨＣスライドから全スライドスコアを組み合わせることによってリスク分類スコアを生成するステップであって、係数値は、コックス比例ハザード回帰モデルを用いて、複数の患者のための生存データに対する、リスク分類スコアの統計的フィッティング（ｆｉｔ）に基づいて決定され、予知モデルを構成するステップと、導出された予知モデルを単一の患者に関連付けられた試験用連続画像に適用するステップであって、試験用連続画像もまた、全腫瘍ワークフローによって注釈がつけられるステップと、を含む動作を実行させる。

さらに他の例示的実施形態において、本開示は、動作を実行するためにプロセッサによって実行されるコンピュータ可読のコードを格納する有形の非一時的コンピュータ可読媒体を備える。システムは、プロセッサと、プロセッサに結合されるメモリと、を含み、メモリは、コンピュータ可読命令を格納するように構成され、コンピュータ可読命令は、プロセッサによって実行されるときに、プロセッサに、Ｋｉ６７組織スライド上の一組の「ホットスポット」領域を生成するステップであって、ホットスポットは、高いＫｉ６７マーカー発現を有する侵襲性かつ浸潤性の腫瘍領域及びスライド内の腫瘍領域のマーカー発現の空間可変性を反映し、「ホットスポット」は、注釈ツールを用いて、全スライド画像評価システム内のデジタル化された全部のスライド上で、病理学者によって手動で注釈がつけられることもできるし、又は、Ｋｉ６７で染色された腫瘍細胞及び過剰発現領域を検出するために、画像分析アルゴリズムによって自動的に生成されることもできるステップと、Ｋｉ６７組織スライド上で注釈がつけられたこれらのホットスポットを、複数の隣接組織スライドの各々によってレジストレーションし、注釈がつけられた領域をマッピングするステップと、一組の係数を有する数式を用いて、複数の全スライドスコアから全スライドスコアを組み合わせることによって、リスク分類スコアを生成するステップであって、係数値は、注釈及びワークフローのタイプに特有であり、複数の訓練患者のためのコックス比例ハザードモデルを用いて、生存データに対するリスク分類スコアの統計的フィッティングを含む動作に基づいて決定され、予知モデルを構成するステップと、予知モデルを単一の患者に関連付けられた試験用連続画像に適用するステップであって、試験用連続画像もまた、Ｋｉ−６７ホットスポットワークフローによって注釈がつけられるステップと、を含む動作を実行させる。

本願明細書において理解される「組織サンプル」は、組織領域から得られる任意の生物サンプルであり、例えば解剖病理学のための人間又は動物の体から得られる外科生物標本である。組織サンプルは、前立腺の組織サンプル、胸部組織サンプル、結腸組織サンプル又は他の器官又は体の部位から得られる組織サンプルでもよい。

本願明細書において理解される「マルチチャネル画像」は、異なる生物学的構造、例えば核及び組織構造が特定の蛍光色素によって同時に染色される生物組織サンプルから得られるデジタル画像を含み、特定の蛍光色素の各々は、マルチチャネル画像のチャネルの１つを構成する異なるスペクトル帯において蛍光を発する。生物組織サンプルは、複数の染色によって及び／又は染色及び対比染色によって染色されてもよく、後者は、「単一マーカー画像」とも称される。

本願明細書において理解される「分解画像（ｕｎｍｉｘｅｄ ｉｍａｇｅ）」は、グレー値又はマルチチャネル画像の１つのチャネルのために得られたスカラー画像を含む。マルチチャネル画像を分解することによって、チャネル当たり１つの分解画像が得られる。

本願明細書において理解される「カラーチャネル」は、画像センサのチャネルである。例えば、画像センサは、３つのカラーチャネル、例えば赤（Ｒ）、緑（Ｇ）及び青（Ｂ）を有することができる。

本願明細書において理解される「ホットスポット」は、高強度値、及び／又は、高い腫瘍成長率の信号を送る強度値の高い変化を有する染色画像内の領域である。例えば、Ｋｉ−６７ホットスポット検出は、以下の従来技術から公知である。Ｊ Ｍｉｃｒｏｓｃ．、２０１４年１２月；２５６（３）：２１３−２５、ｄｏｉ：１０．１１１１／ｊｍｉ．１２１７６．Ｅｐｕｂ ２０１４年９月１６日「Ｐｅｒｃｅｐｔｕａｌ ｃｌｕｓｔｅｒｉｎｇ ｆｏｒ ａｕｔｏｍａｔｉｃ ｈｏｔｓｐｏｔ ｄｅｔｅｃｔｉｏｎ ｆｒｏｍ Ｋｉ−６７−ｓｔａｉｎｅｄ ｎｅｕｒｏｅｎｄｏｃｒｉｎｅ ｔｕｍｏｕｒ ｉｍａｇｅｓ（Ｋｉ−６７で染色した神経内分泌腫瘍画像からの自動ホットスポット検出のための知覚的クラスタリング）」（ｈｔｔｐ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ．ｇｏｖ／ｐｕｂｍｅｄ／２５２２８１３４）及び「Ｈｏｔ ｓｐｏｔ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｂｒｅａｓｔ ｃａｎｃｅｒ ｉｎ Ｋｉ−６７ ｓｔａｉｎｅｄ ｓｌｉｄｅｓ：ｉｍａｇｅ ｄｅｐｅｎｄｅｎｔ ｆｉｌｔｅｒｉｎｇ ａｐｐｒｏａｃｈ（Ｋｉ−６７で染色したスライド内の乳癌のためのホットスポット検出：画像依存のフィルタリングアプローチ）」著者：Ｍ． Ｋｈａｌｉｄ Ｋｈａｎ Ｎｉａｚｉ、Ｅｒｉｎｎ Ｄｏｗｎｓ−Ｋｅｌｌｙ、Ｍｅｔｉｎ Ｎ． Ｇｕｒｃａｎ（ｈｔｔｐ：／／ｓｐｉｅ．ｏｒｇ／Ｐｕｂｌｉｃａｔｉｏｎｓ／Ｐｒｏｃｅｅｄｉｎｇｓ／Ｐａｐｅｒ／１０．１１１７／１２．２０４５５８６）参照。

本願明細書において理解される「視野（ＦＯＶ）」は、所定サイズ及び形状、例えば矩形又は円形形状を有する画像部分を含む。本発明の実施形態に従って、癌生検組織サンプルの組織領域は、隣接組織スライドにスライスされ、それぞれの組織スライドに結果としてなる。

組織スライスは、それぞれの生物学的特徴の識別のために単一又は複数の染色によってマークされてもよい。デジタル画像は、マークされた組織スライスの各々から、多数のカラーチャネルを有する画像センサ、例えばＲＧＢ画像センサによって取得される。

本発明の実施形態は、画像内の腫瘍又はホットスポット領域にスコアリングを限定するために特に有利である。この方法では、補助化学療法剤の投与が、所定の患者の癌再発の防止のために必要か否かを予測可能にする統計モデルから、驚くほど信頼性が高い結果が得られる。結果として、統計モデルがローリスクの癌再発を予測する場合、これらの患者のために化学療法剤の不必要な投与が回避できるので、本発明の実施形態は、癌患者の治療における重要な進展を提供する。

マーカー間画像レジストレーションアルゴリズムは、取得された複数のデジタル画像に関して実行されてもよい。従来技術から公知であるさまざまな適切な画像レジストレーションアルゴリズムを用いて、画像レジストレーションを実行することができる（ｈｔｔｐｓ：／／ｅｎ．ｗｉｋｉｐｅｄｉａ．ｏｒｇ／ｗｉｋｉ／ｌｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ａｎｄ ｈｔｔｐ：／／ｔａｎｇｏ．ａｎｄｒｅｗ．ｃｍｕ．ｅｄｕ／〜ｇｕｓｔａｖｏｒ／４２４３１−ｉｎｔｒｏ−ｂｉｏｉｍａｇｉｎｇ／ｒｅａｄｉｎｇｓ／ｃｈ８．ｐｄｆ参照）。特に、アフィン又は変形可能な変換は、画像レジストレーションを実行するために利用可能である。

画像レジストレーションアルゴリズムは、画像の対応点を整列する幾何学的変換を生成する。幾何学的変換は、マッピングの形で提供可能であり、各マッピングは、複数の画像の１つの画像の点を、複数の画像の他の画像の対応する点にマッピングする。

画像は、画像レジストレーションに従って整列される。換言すれば、画像レジストレーションアルゴリズムによって生成される幾何学的変換は、画像を整列するために画像に適用され、例えば整列された画像を二次元平面のディスプレイ上に表示する。

本発明の実施形態に従って、組織スライスの少なくとも１つは、マルチチャネル画像の取得のために複数の染色によってマークされる。マルチチャネル画像は、分解され、一組の分解画像を提供する。分解画像は、それらがすべて、光学センサによって組織スライスの１つから取得される同一のデータセットに基づくので、各々に対して又はマルチチャネル画像に対してレジストレーションされる必要はない。マルチチャネル画像は、一組の分解画像を除いて、複数の画像に対して画像レジストレーションアルゴリズムを実行するための基準画像として選択される。これは、分解画像を除いて、複数の画像のそれぞれの基準画像に対するマッピングを提供する。

画像レジストレーションのための基準画像としてマルチチャネル画像を用いることは有利である。なぜなら、画像レジストレーション及び整列は、分解画像のために不要であるので、画像レジストレーション及び画像の整列を実行するための計算コストを低減するからである。

ホルモン陽性の早期乳癌患者の予知は、経過観察についてのより確かな情報に基づく選択、例えば補助化学療法剤の追加を行う機会を提供する。伝統的に、病理学者は、従来のステージング、腫瘍増殖指数及びＨ＆Ｅスライドから手動でスコアリングされる形態学的な特徴の小さい組（腺形成、核階級及び有糸分裂）を用いて、これらの癌を予測してきた。

驚くべきことに、本発明の実施形態は、例えばホルモン治療のみで十分であり、化学療法剤及びその有害な副作用が回避できるように、所定の患者がローリスクグループに属するか否かを予測することを可能にする。

従来技術では、乳癌患者の約１５％がホルモン治療に反応しないため、補助化学療法剤は、ホルモン治療に加えて乳癌患者に常に投与される、ということに留意されたい。患者がローリスク又はハイリスクのグループに属するかを確実に予測する方法が従来技術には存在しないため、化学療法剤は、常に補助療法として与えられる。それゆえ、本発明の実施形態は、化学療法剤の投与が大多数の患者のために回避できるように、化学療法剤を実際に必要とする患者を識別することを可能にするので、本発明は、癌患者によって経験される不必要な困難を著しく低減する。

本開示の例示的実施形態に従う早期の予知のためのシステムを示す。 本開示の例示的実施形態に従う、注釈がつけられかつレジストレーションされたスライド連続のための異なる視野を示す。 本開示の例示的実施形態に従う、注釈がつけられかつレジストレーションされたスライド連続のための異なる視野を示す。 本開示の例示的実施形態に従う早期の予知システムを訓練する方法を示す。 本開示の例示的実施形態に従う早期の予知のための方法を示す。 図５Ａは、例示的な生存曲線を示す。図５Ｂは、例示的な生存曲線を示す。 本発明の実施形態に従って、統計モデルの生成を示す図である。 本発明の実施形態に従って、患者から得られる癌生検組織サンプルを分析するデジタル病理学的に使用可能な方法を示す図である。

本開示は、患者の再発リスクを予測し、患者をハイリスク又はローリスクのグループに分類するために予知モデルを提供することによって早期乳癌患者のための信頼性が高いリスク分類を提供するシステム及びコンピュータ実装方法を示す。リスク分類システムは、複数の患者からの組織スライドを、前記患者のための生存データとともに含む訓練データを用いて訓練されてもよい。組織スライドは、患者の診断時間を表してもよい。組織スライドは、特殊な染色プロトコルに従って処理されてもよく、染色又はバイオマーカーは、特殊なスコアリングプロトコルを用いてスコアリングされてもよい。例えば、各患者に対応して、Ｈ＆Ｅ及び複数のＩＨＣ腫瘍及び免疫マーカー（例えば腫瘍マーカーＥＲ、ＰＲ、Ｋｉ６７、ＨＥＲ２等及び／又は免疫マーカー、例えばＣＤ３、ＣＤ８、ＣＤ４等）によって染色される癌組織塊の連続切片からの連続の組織病理に関するシンプレックス及び／又はマルチプレックスの組織スライドは、例えば、全スライドスキャナ又はデジタル顕微鏡上で、デジタル病理学スキャニングシステムを用いてデジタル化される。

ＩＨＣ画像分析の部分として、腫瘍マーカーＩＨＣ組織スライドの各々内の腫瘍状領域は、自動的に分析され、関連するマーカーに特有の画像分析アルゴリズムを用いてスコアリングされ、各マーカーのためのスコア（陽性百分率、Ｈ−スコア等を表す）を計算する。スライドスコアを生成するために注釈がつけられた腫瘍領域は、全腫瘍領域でもよいし、又は、デジタルスライド上の指定された組の領域でもよい。これらの領域は、デジタルスライド評価ソフトウェアアプリケーションを用いて、資格のある読者によって手動で注釈がつけられる、又は、自動的に生成可能である。

リスク分類システムは、すべての分析された全スライドの選択されたサブセットからの個々の全スライドスコアを組み合わせるために用いられ、特定のリスク分類スコアリングアルゴリズムを生成するための比例ハザード回帰モジュールを含んでもよい。例示的なリスク分類アルゴリズムは、ＩＨＣ３、ＩＨＣ４、ＩＨＣｎ等を含んでもよい。ＩＨＣ３のために、ＥＲ、ＰＲ及びＫｉ６７スライドからのスコアのみが用いられる。ＩＨＣ４のために、ＥＲ、ＰＲ、Ｋｉ６７及びＨＥＲ２スライドからのスライドスコアが用いられる。一般的に、ＩＨＣｎは、ｎスライドからの核を用いることを意味する。しかしながら、リスク分類アルゴリズムを導出する全体的なワークフロー及び方法は、同一である。比例ハザード回帰モジュールは、生存データにフィッティングされ、リスクスコアリングアルゴリズム、例えばＩＨＣ３スコアを生成するコックス比例ハザードモデルを含んでもよい。組織スライド及び関連する転帰情報（例えば再発のない生存、全生存等）を備える再発する患者及び再発しない患者のデータを、これらのデータセットのために計算される関連したスライドレベルスコアとともに与えられると、比例ハザード回帰モデルは、全患者集団の生存データにフィッティングされ、フィッティングされた予知モデル評価に定められる最適カットオフポイントが生成され、患者集団をローリスク又はハイリスクのグループに分類するために用いられる。

その後、同一の染色プロトコル及び／又は画像分析方法及びスコアリングプロトコルを用いて処理される任意の単一の患者の組織スライドは、訓練プロセス中に生成されるリスクスコアリングアルゴリズムを用いて分析され、生成されたカットオフポイントを用いて分類され、単一の患者のための生存確率及び／又は予知を決定してもよい。患者組織に対応する同一組の組織病理に関するスライドは、分析のために用いられる。訓練データセットと同様に、同一組の画像分析アルゴリズム及びツールを用いて、スライドレベルスコアの必要な組を患者の個々のマーカー組織スライドから分析及び出力し、リスク分類スコアを計算する。これらのスコアは、予知モデルに入力され、再発のリスクを予測し、患者をローリスク又はハイリスクの再発グループに分類する。

図１は、本開示の例示的実施形態に従う早期の予知のためのシステムを示す。システム１００は、メモリ１１０を備え、メモリ１１０は、コンピュータ１０１に結合されるプロセッサ１０５によって実行される複数の処理モジュール又は論理命令を格納する。プロセッサ１０５及びメモリ１１０の他に、コンピュータ１０１は、ユーザ入出力装置、例えばキーボード、マウス、スタイラス及びディスプレイ／タッチスクリーンもまた含む。以下の議論において説明するように、プロセッサ１０５は、メモリ１１０に格納される論理命令を実行し、画像分析及び他の定量的動作を実行し、ユーザが操作するコンピュータ１０１に、又は、ネットワークを介して結果を出力する。

例えば、入力データ１０２は、１つ又は複数の走査されたＩＨＣスライドからメモリ１１０まで画像データを入力するための手段を提供してもよい。画像データは、カラーチャネル又はカラー波長チャネルに関連したデータと、染色及び／又は画像化プロセスに関する詳細と、を含んでもよい。例えば、組織切片は、明視野画像化のための発色染色又は蛍光画像化のためのフルオロフォアに関連付けられた１つ又は複数の異なるバイオマーカーを含む染色アッセイの適用による染色を必要としてもよい。染色アッセイは、明視野画像化のための発色染色、有機フルオロフォア、量子ドット又は有機フルオロフォアを、蛍光画像化のための量子ドット、又は、染色、バイオマーカー及び視認装置又は画像化装置の他の任意の組み合わせとともに用いることができる。例示的なバイオマーカーは、エストロゲン受容体（ＥＲ）、ヒト上皮成長因子受容体２（ＨＥＲ２）、Ｋｉ−６７及びプロゲステロン受容体（ＰＲ）のためのバイオマーカーを含み、組織切片は、ＥＲ、ＨＥＲ２、Ｋｉ−６７及びＰＲの各々のための抗体について検出できるように標識される。本開示のいくつかの実施形態において、スコアリング、コックスモデリング及びリスク分類の動作は、用いられるバイオマーカーのタイプ及び視野（ＦＯＶ）選択及び注釈に依存する。したがって、他の任意のバイオマーカー組織スライドは、（免疫マーカー又はいくつかの他の追加のマーカーのように）スライド画像分析及び特定のマーカーに特有のスコアリングをトリガし、コックスモデルフィッティングプロセスにおけるそれらのスコアを含む。

画像データが受け取られると、連続組織切片を備えるスライドに対応する連続画像内の画像は、端末１０１上のユーザインターフェースに、又は、リモートで表示されてもよい。例えば、ユーザインターフェースは、他のモジュールによるさらなる分析のためにＩＨＣ画像の領域の選択を可能にする視野（ＦＯＶ）選択モジュール１１１によって提供されてもよい。端末を操作する病理学者は、ユーザインターフェースを用いてＦＯＶを選択してもよい。いくつかのＦＯＶ選択メカニズム、例えば、既知又は不規則な形状を指定すること、又は、解剖的な関心領域（例えば、腫瘍領域）を定めることが提供されてもよい。一例において、視野は、Ｈ＆Ｅ染色の組み合わせによって染色されるＩＨＣ画像上で選択される全腫瘍領域である。ＦＯＶ選択は、病理学者によって、又は、自動化された画像分析アルゴリズム、例えばＨ＆Ｅ組織スライド上の腫瘍領域のセグメンテーション（ｓｅｇｍｅｎｔａｔｉｏｎ）等によって実行されてもよい。例えば、ユーザは、全スライド又は全腫瘍としてのＦＯＶを選択してもよいし、又は、全スライド又は全腫瘍領域が自動的にＦＯＶとして指定されてもよい。本願明細書において後述するように、ＦＯＶ選択は、どの注釈、スコアリング、モデリング及び分類方法が用いられるのかを決定する。

注釈及びレジストレーションモジュール１１２は、第１のスライド上のＦＯＶに注釈をつけ、スライドの残り全体の注釈をマッピングする。本願明細書において記載されるように、所定のＦＯＶに応じて、注釈及びレジストレーションのためのいくつかの方法が可能である。例えば、複数の連続スライドの中からヘマトキシリン・エオシン（Ｈ＆Ｅ）スライド上の注釈がつけられた全腫瘍領域は、自動的に、又は、病理学者によって、ＶＩＲＴＵＯＳＯ／ＶＥＲＳＯ（商標）等のようなインターフェース上で選択されてもよい。他の組織スライドが同一の組織塊からの連続切片に対応するので、注釈及びレジストレーションモジュール１１２は、マーカー間レジストレーション動作を実行し、全腫瘍注釈を、Ｈ＆Ｅスライドから残りの連続のＩＨＣスライドの各々へマッピング及び移動する。マーカー間レジストレーションのための例示的な方法は、同一出願人による同時係属出願の２０１４年３月１２日に出願されたＷＯ２０１４１４００７０Ａ２「Ｗｈｏｌｅ ｓｌｉｄｅ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ａｎｄ ｃｒｏｓｓ−ｉｍａｇｅ ａｎｎｏｔａｔｉｏｎ ｄｅｖｉｃｅｓ， ｓｙｓｔｅｍｓ ａｎｄ ｍｅｔｈｏｄｓ（ホールスライド画像レジストレーション及び画像間注釈デバイス、システム、並びに方法）」により詳細に記載され、その内容は、参照によって本願明細書に完全に組み込まれる。いくつかの実施形態では、画像レジストレーション及び全腫瘍注釈の生成のための他の任意の方法が用いられてもよい。例えば、病理学者のような資格のある読者は、他の任意のＩＨＣスライド上の全腫瘍領域に注釈をつけてもよく、レジストレーションモジュール１１２を実行し、他のデジタル化されたスライド上の全腫瘍注釈をマッピングしてもよい。例えば、病理学者（又は自動の検出アルゴリズム）は、すべての隣接する連続切片のＩＨＣスライドの分析をトリガするＨ＆Ｅスライド上の全腫瘍領域に注釈をつけ、すべてのスライド上の注釈がつけられた領域に対して、全スライド腫瘍スコアを決定してもよい。

ＦＯＶ選択１１１及びレジストレーション１１２のための代替の手段は、Ｋｉ６７のデジタル化された全スライド上の代表的な領域又は「ホットスポット」を検出又は指定することを備える。比較的高く、異質な量のＫｉ６７タンパク質を含む全スライドの特定領域は、例えば、矩形又は他の任意の形状で選択されてもよい。ＦＯＶ選択モジュール１１１は、手動による選択を可能にしてもよいし、又は、自動化された画像分析アルゴリズムは、Ｋｉ６７スライド上のこの種の領域を強調してもよい。マーカー間レジストレーション動作を用いて、これらの「ホットスポット」を他のＩＨＣスライド上の等価な注釈がつけられた領域にマッピングしてもよい。

例えば、他のスライドは、Ｈ＆Ｅ、ＥＲ、ＰＲ及び／又はＨＥＲ２組織スライドを含んでもよい。ヒートマップは、第１のスライド、例えばＫｉ６７スライド上の注釈を与えられて生成されてもよく、局所的に支配的であるヒートマップ内の領域は、おそらく、病理学者のような資格のある読者が重要であると考えるホットスポットであるとみなされてもよい。視覚的に、ヒートマップは、関心対象のスコアリング測定基準のハイレベルの概要を示す。例えば、Ｋｉ６７スライドのヒートマップは、腫瘍領域内の陽性百分率を表し、隣接ＩＨＣスライドにレジストレーションされるＦＯＶを生成するために用いられる。全腫瘍に注釈がつけられるか又は「ホットスポット」のみに注釈がつけられるかのいずれの場合でも、倍率が連続全体に一定のままであると仮定すると、残りのスライド上の対応する領域は、類似の組織タイプに必然的に、又は、おそらく対応する。さらに本願明細書においてさらに記載されるように、変化する視野は、各スライドのために、及び、全スライドスコアのために、例えばＩＨＣ３、ＩＨＣ４又はＩＨＣｎのために、異なるスコアに結果としてなる。ホットスポット検出の例示的な方法は、２０１５年５月２９日に出願された「Ａｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ａｎａｌｙｚｉｎｇ ａ Ｍｕｌｔｉ−Ｃｈａｎｎｅｌ Ｉｍａｇｅ Ｏｂｔａｉｎｅｄ Ｆｒｏｍ ａ Ｂｉｏｌｏｇｉｃａｌ Ｔｉｓｓｕｅ Ｓａｍｐｌｅ Ｂｅｉｎｇ Ｓｔａｉｎｅｄ Ｂｙ Ｍｕｌｔｉｐｌｅ Ｓｔａｉｎｓ（複数の染色によって染色される生物組織サンプルから得られるマルチチャネル画像を分析するための画像処理方法及びシステム）」という名称のＰＣＴ／ＥＰ２０１５／０６２０１５に記載され、その内容は、参照によって本願明細書に完全に組み込まれる。

画像分析アルゴリズムを用いて、視野内に、核、細胞壁、腫瘍細胞又は他の構造の１つ又は複数の存在を決定してもよい。各視野のための特定の核の染色強度値及び計数を用いて、陽性百分率、Ｈ−スコア又は局所異質性を決定してもよい。このデータを用いて、スライドスコア生成モジュール１１３によって各スライドのためのスコアを決定する。例えば、自動化された画像分析アルゴリズムは、連続のＩＨＣスライドの各々を解釈し、特定のバイオマーカー、例えばＫｉ６７、ＥＲ、ＰＲ、ＨＥＲ２等のために陽性及び陰性に染色される腫瘍核を検出する。検出された陽性及び陰性の腫瘍核に基づき、さまざまなスライドレベルスコア、例えばマーカー陽性百分率、Ｈ−スコア、局所異質性等は、複数の方法の１つ又は複数を用いて計算されてもよい。例示的実施形態において、組織スライドの自動化分析は、出願人ＶＥＮＴＡＮＡのＦＤＡ認証された５１０（ｋ）の承認アルゴリズムを用いる。代替的又は追加的に、他の任意の自動化されたアルゴリズムを用いて選択領域を分析し、スコアを生成することができる。いくつかの実施形態では、スコアは、全スライドスコアが生成される前、システムに手動で入力される。スコアリングの例示的な方法は、同一出願人による同時係属出願である、２０１３年１２月１９日に出願されたＷＯ２０１４１０２１３０Ａ１「Ｉｍａｇｅ ａｎａｌｙｓｉｓ ｆｏｒ ｂｒｅａｓｔ ｃａｎｃｅｒ ｐｒｏｇｎｏｓｉｓ（乳癌予知のための画像分析）」及び２１０４年３月１２日に出願されたＷＯ２０１４１４００８５Ａ１「Ｔｉｓｓｕｅ ｏｂｊｅｃｔ−ｂａｓｅｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｓｙｓｔｅｍ ｆｏｒ ａｕｔｏｍａｔｅｄ ｓｃｏｒｉｎｇ ｏｆ ｄｉｇｉｔａｌ ｗｈｏｌｅ ｓｌｉｄｅｓ（デジタル・ホール・スライドの自動採点のための組織物体に基づく機械学習システム）」により詳細に記載され、各々の内容は、参照によって本願明細書に完全に組み込まれる。

スコアリングモジュール１１３によって計算される結果として生じるスライドレベルのスコアは、一緒に組み合わせられ、ＩＨＣ３又はＩＨＣ４スコアの一方をスライドの連続のために生成する。ＩＨＣ３又はＩＨＣ４は、複合スコアを生成するのに用いられるマーカースライドの数に関連する。例えば、ＩＨＣ３スコアは、ＥＲ、ＰＲ及びＫｉ６７スコアを用いてスコアリングされるスライドのために計算され、一方、ＩＨＣ４スコアは、ＥＲ、ＰＲ、Ｋｉ６７及びＨＥＲ２スコアによってスコアリングされるスライドのために計算される。追加のマーカーのために、スコアリングに含まれる組織スライド（Ｈ＆Ｅ、腫瘍又は免疫マーカー）は、ＩＨＣｎとして表現されてもよく、ｎは、全体的な複合スコアを生成するのに用いられるマーカースライドスコアの数である。本願明細書において記載されるように、ＩＨＣ３、ＩＨＣ４又はＩＨＣｎスコアのいずれかは、全腫瘍ＦＯＶ選択又はＫｉ６７マーカーのための「ホットスポット」ＦＯＶ選択に基づいてもよい。スコアは、各スライドのための全腫瘍の陽性百分率スコアに加えて、異質性及び／又はＨ−スコアに基づいてもよい。例えば、ｈｔｔｐ：／／ｅ−ｉｍｍｕｎｏｈｉｓｔｏｃｈｅｍｉｓｔｒｙ．ｉｎｆｏ／ｗｅｂ＿ｍａｖ１０／Ｈ−ｓｃｏｒｅ．ｈｔｍに記載されるように、Ｈ−スコアは、陽性に染色された腫瘍核のための等級（ｂｉｎｎｅｄ）強度値から計算されてもよい。異質性は、腫瘍の局所異質性に関連し、全腫瘍領域にわたる陽性百分率及びＨ−スコアの可変性を定量化する。

次に、個々のマーカースライドから計算されるスコアは、統合され、コックスモデリングモジュール１１４によって実行されるような、コックス比例ハザード回帰モデルにフィッティングすることを含む統計方法論を用いてリスクスコア（例えば、ＩＨＣ３）を決定してもよい。例えば、ＩＨＣ３又はＩＨＣ４の複合スコア及び複合異質性スコアは、コックス比例ハザード回帰モデルに入力され、両方の測定値の複合予測能力を最大化する。コックス比例ハザード回帰方法は、２つの線形変数をとり、２つの最高のロジスティック回帰モデルを見出し、遠隔再発までの時間を予測することによって、遠隔再発までの生存確率時間に与える説明的な変数（例えば個々のマーカーの全スライドスコア）の影響をモデル化する。癌の再発を予測するコックスモデリングの使用に関するより多くの詳細は、Ｃｕｚｉｃｋ及びＤｏｗｓｅｔｔによる「Ｐｒｏｇｎｏｓｔｉｃ Ｖａｌｕｅ ｏｆ ａ Ｃｏｍｂｉｎｅｄ Ｅｓｔｒｏｇｅｎ Ｒｅｃｅｐｔｏｒ， Ｐｒｏｇｅｓｔｅｒｏｎｅ Ｒｅｃｅｐｔｏｒ， Ｋｉ−６７， ａｎｄ Ｈｕｍａｎ Ｅｐｉｄｅｒｍａｌ Ｇｒｏｗｔｈ Ｆａｃｔｏｒ Ｒｅｃｅｐｔｏｒ ２ Ｉｍｍｕｎｏｈｉｓｔｏｃｈｅｍｉｃａｌ Ｓｃｏｒｅ ａｎｄ Ｃｏｍｐａｒｉｓｏｎ Ｗｉｔｈ ｔｈｅ Ｇｅｎｏｍｉｃ Ｈｅａｌｔｈ Ｒｅｃｕｒｒｅｎｃｅ Ｓｃｏｒｅ ｉｎ Ｅａｒｌｙ Ｂｒｅａｓｔ Ｃａｎｃｅｒ（複合エストロゲン受容体、プロゲステロン受容体、Ｋｉ−６７、ヒト上皮成長因子受容体２の免疫組織化学的スコアの予知的値及び早期の乳癌におけるゲノム健康再発スコアの比較）」に見出だされてもよく、ｈｔｔｐ：／／ｉｃｏ．ａｓｃｏｐｕｂｓ．ｏｒｇ／ｃｏｎｔｅｎｔ／２９／３２／４２７３．ｌｏｎｇにて入手可能であり、その内容は、参照によって本願明細書に完全に組み込まれる。

本実施形態において、コックスモデリングモジュール１１４は、個々のスライドのためのバイオマーカー／ＩＨＣスコアをハイリスク及びローリスクの集団を備える生存データと比較することによって訓練され、ＦＯＶ選択のタイプ及び用いられる注釈／レジストレーションに応じて、全スライドスコアリングアルゴリズムを決定してもよい。入力された生存データに整合するカットオフポイントは、ローリスク及びハイリスクの正確な予測を決定するためにログランク検定統計を用いて決定される。訓練中に生成されるスコアリングアルゴリズム及びカットオフポイントを用いて、新規な患者のスライドを分析し、リスク分類モジュール１１５を介してリスク評価又は予知を提供してもよい。本願明細書において記載されるように、本開示のいくつかの実施形態では、スコアリング１１３、コックスモデリング１１４及びリスク分類１１５の動作は、用いられるバイオマーカーのタイプ及び視野（ＦＯＶ）選択及び注釈に同様に依存する。したがって、他の任意のバイオマーカー組織スライド（免疫マーカー又はいくつかの他の追加のマーカーのような）は、特定のマーカーに特有のスライドスコアリングをトリガし、それらのスコアをコックスモデルフィッティングプロセスに含み、それらを用いる。同様に、Ｈ＆Ｅスライド又は他の任意のスライドからの追加のスライドスコアリング測定基準が、ＩＨＣ（ｘ）の方程式の変数として加えられる場合、適切なコックスモデルはその組み合わせのために導出されてもよい。各ワークフロー（ワークフローは、ＦＯＶ選択及び注釈＋レジストレーションプロトコルを備える）のためのパラメータは、コックスモデルパラメータデータベース１１６に格納されてもよい。

本願明細書において記載されるように、全スライドスコアを決定するための係数は、訓練コホートに基づいて決定されてもよい。簡潔には、複数の訓練画像は、訓練画像に関連付けられた患者のための実際の生存データと一緒にシステム１００に入力される。スライドは、ステージ１及び２の癌患者を表し、ＥＲ陽性及びＨＥＲ２陰性の組織スライドを含む。スライド連続は、スコアリングされ、コックスモデルは、ＥＲ１０、ＰＲ１０、ｌｏｇ（１＋Κｉ６７ ｐｅｒｃｅｎｔ ｐｏｓｉｔｉｖｉｔｙ）及びＨＥＲ２二進のスコアを、可変的なデータとして含む個々のスライドスコアに統計学的にフィッティングされる。全腫瘍のワークフローのために、又は、「ホットスポット」のワークフローのために、ＩＨＣ３及びＩＨＣ４モデルの両方は、実際の生存データと予測されたモデルとの比較に基づいて、例えば、ログランク検定を用いて導出される。典型的な方程式は、ＩＨＣ３＿Ｓｃｏｒｅ＝ａ×ＥＲ１０＋ｂ×ＰＲ１０＋ｃ×ｌｏｇ（１＋Ｋｉ６７＿ＰｅｒｃｅｎｔＰｏｓｉｔｉｖｉｔｙ）として表される。

係数ａ、ｂ及びｃは、訓練データに基づいてフィッティングされ、予測が本願明細書においてさらに記載されるように生存データに整合することを確実にし、パラメータデータベース１１６に格納されてもよい。

同様に、ＩＨＣ４の方程式は、ＩＨＣ４＿Ｓｃｏｒｅ＝ｐ×ＥＲ１０＋ｑ×ＰＲ１０＋ｒ×ｌｏｇ（１＋Ｋｉ６７＿ＰｅｒｃｅｎｔＰｏｓｉｔｉｖｉｔｙ）＋ｓ×ＨＥＲ２＿ｓｃｏｒｅとして表されてもよい。

係数ｐ、ｑ、ｒ及びｓもまた、ワークフロー（全腫瘍対ホットスポット選択）に依存して異なり、パラメータデータベースに格納される。従来技術に記載される標準方法を用いて生じるエラー又は信頼できない予測に屈するよりむしろ、新しく導出された定数は、特定のワークフローの後のテストケースにおいて取り出されてもよく、その特定のワークフローのための正確な生存を決定するための最適カットオフポイントを適用し、スコアを、癌再発のためのローリスク及びハイリスクのグループに分類してもよい。腫瘍の局所的異質性測定基準が、追加の可変的な入力として、コックスモデルフィッティング動作に組み合わせられるとき、類似方法を用いて、特定の式／係数を導出してもよい。それゆえ、調整は、考慮されるマーカースライド及び測定基準の任意の組み合わせのために実行され、任意のタイプのワークフロー（染色、ＦＯＶ選択、注釈、レジストレーションの組み合わせ）のために適応又は「訓練」されてもよく、これにより、信頼性が高い予測を同一のワークフローの後の次のテストスライドに提供する。換言すれば、既存の生存データによりシステムを特定のワークフローのために訓練することは、臨床関係における新規な患者のスライドに適用される予知モデルの構築を可能にする。

例えば、臨床又は診断ワークフローにおいて、新規な患者からのＨ＆Ｅ及びＩＨＣスライドを備える新規なスライド連続がシステム１００に入力され、生成された注釈及び画像分析アルゴリズムを用いて分析されたＦＯＶがスコアを出力するとき、特定の係数を有する対応するＩＨＣ３／ＩＨＣ４の式を用いて、その患者のための全スライドスコアを計算する。全腫瘍の注釈が実行される場合、ＷｈｏｌｅＴｕｍｏｒ＿ＩＨＣ３及びＷｈｏｌｅＴｕｍｏｒ＿ＩＨＣ４のスコアが計算されてもよい。「ホットスポット」注釈が実行される場合、Ｋｉ６７＿ＨｏｔｓｐｏｔＢａｓｅｄ＿ＩＨＣ３及びＫｉ６７＿ＨｏｔｓｐｏｔＢａｓｅｄ＿ＩＨＣ４のスコアが計算されてもよい。これらのスコアのためのカットオフポイントを用いて、患者のための予知を提供する、すなわち、訓練データと生存曲線との比較の間生成されるカットオフポイントに基づいて、彼らのリスクグループを分類する。

上述したように、モジュールは、プロセッサ１０５によって実行される論理を含む。本願明細書及びこの開示の全体にわたって用いられる「論理」とは、命令信号及び／又はプロセッサの動作に影響を及ぼすように適用されてもよいデータの形を有する任意の情報に関連する。ソフトウェアは、この種の論理の一例である。プロセッサの例は、コンピュータプロセッサ（処理ユニット）、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ及びマイクロコントローラ等である。論理は、メモリ１１０のようなコンピュータ可読媒体に格納される信号から形成されてもよく、メモリ１１０は、例示的な実施形態において、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能な／電気的に消去可能なプログラム可能な読み出し専用メモリ（ＥＰＲＯＭＳ／ＥＥＰＲＯＭＳ）、フラッシュメモリ等でもよい。論理は、デジタル及び／又はアナログハードウェア回路、例えば、論理ＡＮＤ、ＯＲ、ＸＯＲ、ＮＡＮＤ、ＮＯＲ及び他の論理演算を備えるハードウェア回路もまた含んでもよい。論理は、ソフトウェア及びハードウェアの組み合わせから形成されてもよい。ネットワーク上で、論理は、サーバ又はサーバの複合体においてプログラムされてもよい。特定の論理ユニットは、ネットワーク上の単一の論理位置に制限されるものではない。さらに、モジュールは、いかなる特定の順序で実行される必要はない。

図２Ａ及び２Ｂは、本開示の例示的実施形態に従う、注釈がつけられかつレジストレーションされたスライド連続のための異なる視野を示す。上述したように、連続組織切片を備えるスライドに対応する連続画像における画像は、ユーザインターフェースに表示されてもよい。図２Ａは、本開示の例示的実施形態に従う連続組織切片の連続画像を示す。例えば、隣接組織切片は、Ｈ＆Ｅ、ＥＲ、ＰＲ及びＫｉ−６７でそれぞれ染色されてもよく、対応する画像２２１、２２２、２２３及び２２４は、視野（ＦＯＶ）２３０の選択を可能にするために、ユーザインターフェース、例えばＶＩＲＴＵＯＳＯ（商標）インターフェース又は類似のインターフェースに表示されてもよい。ＦＯＶ２３０は、画像の１つの領域、例えば腫瘍領域を備えてもよい。病理学者は、ユーザインターフェースを用いてＦＯＶを選択してもよいし、又は、自動ＦＯＶ選択メカニズムが、特徴検出又は他の画像分析動作に基づいて用いられてもよい。本実施形態において、視野２３０は、全スライド又は全腫瘍領域である。ＦＯＶ２３０は、最初に、Ｈ＆Ｅ画像２２１上で注釈がつけられ、他の組織スライドが同一の組織塊からの連続切片に対応するので、マーカー間レジストレーションモジュールは、全腫瘍注釈を、Ｈ＆Ｅスライド２２１から残りのＩＨＣスライド２２２、２２３及び２２４の各々へマッピング及び移動する。

図２Ｂは、代表的な領域又はＫｉ６７のデジタル化された全スライド２２５上の「ホットスポット」２３１を用いるＦＯＶ選択のための代替の手段を示す。ホットスポットは、比較的高く異質な量のＫｉ６７タンパク質を含む全スライドの特定領域である。ＦＯＶ２３１は、例えば、矩形２３１の形でもよい。他の実施形態は、手動によるＦＯＶ選択を提供してもよいし、又は、自動化された画像分析アルゴリズムが、Ｋｉ６７スライド２２５上のこの種のＦＯＶ領域を強調してもよい。上述したように、マーカー間レジストレーション動作を用いて、これらの「ホットスポット」を他のＩＨＣスライド、例えばＥＲ２２６、ＰＲ２２７及びＨ＆Ｅスライド２２８上の等価な注釈がつけられた領域にマッピングしてもよい。図２Ｂの右側に、これらのホットスポットの、２０倍で拡大した拡大バージョンが示される。図２Ｂ又は２Ａによって表されない追加のＩＨＣスライドは、同様に、ＨＥＲ２のように注釈がつけられてもよい。全腫瘍に注釈がつけられるか又は「ホットスポット」のみに注釈がつけられるかのいずれの場合でも、倍率が連続全体に一定のままであると仮定すると、残りのスライド上の対応する領域は、類似の組織タイプに必然的に対応する。

図３は、本開示の例示的実施形態に従う早期の予知システムを訓練する方法を示す。例えば、画像化システム又は他の入力手段は、１つ又は複数の連続訓練ＩＨＣスライドからの画像データを、本願明細書において記載されるシステムに提供し、システムは、訓練スライド及び画像データを受け取ることができる（Ｓ３０１）。画像データは、システムを訓練するために、複数の患者からの組織切片の画像を備え、カラーチャネル又は周波数チャネル、組織及びバイオマーカーデータを、組織切片に関連付けられた患者のための１つ又は複数の臨床転帰を識別する追加のデータ又はメタデータと同様に含むことができる。臨床転帰は、例えば、どの位長く患者が生存したか、癌が再発したか否か等を含む。臨床転帰は、患者生存転帰データから生存曲線を生成することを含んでもよく、患者は、特定された期間、例えば１０年又は２０年にわたって編集されるデータポイントを備える。例えば、カプランマイヤー生存曲線が推定されてもよい。１つの例示的実施形態において、１２０人の乳癌患者を表す１２０の連続スライドの訓練コホート、癌が再発した患者及び再発しなかった患者の代表的なプールは、連続当たりの５つのスライドで、どの位長く彼らが生存したか、及び、最初の診断日からいつ癌が再発したかについての情報とともに提供された。図５は、再発した患者グループ及び再発しなかった患者グループのための推定された典型的なカプランマイヤー生存曲線を表す。提供される追加の情報は、染色プラットフォームに関連する任意の情報を含んでもよく、染色で用いられる化学薬品の濃度、染色において組織に適用される化学薬品の反応時間、及び／又は、組織の予備的な分析条件、例えば、組織年齢、固定方法、期間、切片の埋設方法、切断等を含んでもよい。

注釈及びレジストレーション動作（Ｓ３０３）は、入力された訓練スライド上で実行されてもよい。本願明細書において後述するように、全腫瘍注釈又はＫｉ−６７ホットスポット注釈のような異なるワークフローに基づく視野（ＦＯＶ）は、レジストレーションのために選択されてもよい。例えば、連続内の第１の画像は、第１の画像のＦＯＶ選択を可能にするために、病理学者によって、又は、特徴検出アルゴリズムを用いて自動的にユーザインターフェースに表示されてもよい。全腫瘍領域は、Ｈ＆Ｅスライドに注釈がつけられてもよく、又は、ホットスポットは、Ｋｉ６７のデジタル化された全スライドにおいて識別され、注釈がつけられてもよい。マーカー間レジストレーション動作を用いて、全腫瘍注釈を、第１のスライドから連続の残りのスライドの各々へマッピング及び移動してもよい。

各連続は、格納されてもよく、リスクは、本願明細書において記載される方法を用いて計算される（Ｓ３０５）。例えば、３つのマーカー（ＥＲ、ＰＲ、Ｋｉ６７）のためのＩＨＣ３スコアは、計算されてもよく、異質性スコアが含まれてもよい。これらのスコアは、生存データとともにコックス比例ハザード回帰モデルにフィッティングされ（Ｓ３０７）、テストケースに適用される全スライドスコアリングアルゴリズムを生成する（図４参照）。例えば、モデルは、特定の訓練患者のための生存曲線におけるイベント情報にフィッティングされてもよい。フィッティング（Ｓ３０７）は、フィッティングされた予知モデルが再発の有無の間の区別を示すか否かを決定することを含む。全腫瘍ワークフロー又は「ホットスポット」ワークフローのいずれかのために、ＩＨＣ３モデル及びＩＨＣ４モデルの両方は、実際の生存データと予測されたモデルとの比較（Ｓ３０７）に基づいて導出される。方程式は、ＩＨＣ３＿Ｓｃｏｒｅ＝ａ×ＥＲ１０＋ｂ×ＰＲ１０＋ｃ×ｌｏｇ（１＋１０×Ｋｉ６７＿ＰｅｒｃｅｎｔＰｏｓｉｔｉｖｉｔｙ）として記述可能である。係数ａ、ｂ及びｃは、予測が生存データに確実に整合するために、訓練データをコックスモデルにフィッティングさせることに基づいて得られてもよい（Ｓ３０９）。例えば、いくつかの実施形態は、ＩＨＣ３＝９３．１×［−０．０８６ ＥＲ１０−０．０８１×ＰＲ１０＋０．２８１×ｌｏｇ（１＋１０×Ｋｉ６７）として表される値を生成する。

この場合、９３．１は、重みを縮小し、モデルのオーバーフィッティング（ｏｖｅｒｆｉｔｔｉｎｇ）を考慮するために用いられる縮小パラメータである。コックスモデル係数ａ、ｂ、ｃ等は、パラメータデータベース３１６に格納されてもよい（Ｓ３０９）。それゆえ、方程式は、最適化されて考慮され、例えば、図４にリストされるテスト動作を実行する間、臨床使用のために格納されてもよい。

表１は、本開示の実験的な実施形態に基づいて、各ワークフローのための異なる重みのための複数の最適化された係数を示す。

これらの値は、単に例示的であり、当業者は、この開示を読むとき、係数の調整が、含まれるマーカースライド及び関連付けられた測定基準の任意の組み合わせについて実行されてもよく、任意のタイプのワークフローのために適応又は「訓練」されてもよく、同一のワークフロー後の次のテストスライドのための信頼性が高い予測を提供し続けることを理解するものである。換言すれば、特定の組織サンプルデータ及びワークフローのために、既存の生存データに関してコックスモデルをフィッティングすることは、臨床関係における新規な患者のスライドに適用される予知モデルの構築を可能にする。

図４は、本開示の例示的実施形態に従う早期の予知のための方法を示す。この方法は、システム１００に関して記載される構成要素又は類似の機能を実行する他の構成要素を用いてもよい。例えば、診断を受けている単一の患者に対応する画像連続は、画像化システム又は任意の他の入力から受け取られてもよい（Ｓ４０１）。画像連続は、さまざまなバイオマーカーで染色された組織の連続切片を表すカラーチャネル又は周波数チャネルの形で、データを含むことができる。例示的なバイオマーカーは、エストロゲン受容体（ＥＲ）、ヒト上皮成長因子受容体２（ＨＥＲ２）、Ｋｉ−６７及びプロゲステロン受容体（ＰＲ）のためのバイオマーカーを含む。画像化システムは、出願人Ｖｅｎｔａｎａ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓ， Ｉｎｃ．のＩＳＣＡＮ ＣＯＲＥＯ（商標）製品を含んでもよい。画像データは、単一の患者から検索される癌切片又は著しく癌性の切片に対応する。

一旦画像データが受け取られると（Ｓ４０１）、連続組織切片を備えるスライドに対応する連続画像における画像は、視野（ＦＯＶ）選択及び注釈のためにユーザインターフェースに表示されてもよい（Ｓ４０３）。いくつかの注釈メカニズム、例えば、既知又は不規則な形状を指定すること、又は、解剖的な関心領域（例えば、腫瘍領域）を定めることが提供されてもよい（Ｓ４０３）。一例において、視野は、全スライド、全腫瘍領域又は全組織切片である。注釈（Ｓ４０３）は、第１のスライド上のＦＯＶに注釈をつけ、レジストレーション動作（Ｓ４０５）は、スライドの残り全体の注釈をマッピングする。本願明細書において記載されるように、注釈及びレジストレーションのためのいくつかの方法は、所定のＦＯＶに応じて利用されてもよい。例えば、複数の連続スライドの中からヘマトキシリン・エオシン（Ｈ＆Ｅ）スライド上の全腫瘍領域が定められてもよく、レジストレーション動作（Ｓ４０５）は、全腫瘍注釈をＨ＆Ｅスライドから連続の残りのＩＨＣスライドの各々へマッピング及び移動する。あるいは、代表的な領域又は「ホットスポット」は、Ｋｉ６７のデジタル化された全スライド上で識別され、他のＩＨＣスライド上の等価な注釈がつけられた領域にマッピングされてもよい。

ＦＯＶが与えられると、画像分析動作を用いて、各スライドのためのスコアを計算する（Ｓ４０７）。各スライドのためのスコアは、陽性百分率及び局所的異質性の決定に基づいてもよい。特定のバイオマーカー、例えばＫｉ６７、ＥＲ、ＰＲ、ＨＥＲ２等のために陽性及び陰性に染色される腫瘍核は、計数され、陽性百分率が計算される。追加のスコアリングメカニズム、例えば特定のマーカー又はタンパク質の局所的異質性を表すＨ−スコアが使用されてもよい。例示的実施形態において、組織スライドの自動化された分析は、出願人ＶＥＮＴＡＮＡのＦＤＡ認証された５１０（ｋ）の承認アルゴリズムを用いる。代替的又は追加的に、他の任意の自動化されたアルゴリズムを用いて、選択領域を分析し、スコアを生成することができる。結果として生じるスライドレベルのスコアは、一緒に組み合わせられ、個々に染色されたスライドの数に応じて、スライドの連続のためのＩＨＣ３、ＩＨＣ４又はＩＨＣｎスコアを生成してもよい。Ｈ＆Ｅスライドから計算される任意のスコアもまた、ＩＨＣスライドからの情報に含められ、それに応じて異なるリスクスコアリング測定基準を特定することもできる。スコアは、例えば、全腫瘍ＦＯＶ選択又は「ホットスポット」ＦＯＶ選択に基づく。

次に、ＩＨＣ３又はＩＨＣ４の複合スコア及び複合的な局所異質性スコアは、コックス比例ハザード回帰モデルに入力され（Ｓ４０９）、両方の測定値の複合予測能力を最大にしてもよい。コックス比例ハザード回帰モデルは、２つの変数をとり、２つの最高のロジスティックの組み合わせを見出し、遠隔再発までの時間を予測することによって、遠隔再発までの時間をモデル化する。選択されるＦＯＶのタイプによって、コックスモデルのための複数の係数又はパラメータは、パラメータデータベース４１８から取り出されてもよい。係数は、図３について述べたように類似のワークフローのための訓練データに基づいてもよく、これによって、テストされる個々の患者のスライド連続のための生存予測を可能にする。訓練ワークフローに基づいて、最適化されたカットオフポイントは、スコアが、癌再発のためのローリスク及びハイリスクのグループに分類されることを可能にするために（Ｓ４１１）、データベース４１８から提供される。解剖又は臨床病理学、前立腺／肺癌診断等のような医療用途の他に、同一の方法は、他のタイプのサンプル、例えば地質学データ又は天文データ等の遠隔探査を分析するために実行されてもよい。本願明細書において開示される動作は、ハードウェアグラフィックス処理ユニット（ＧＰＵ）に移植され、マルチスレッドの並列実装を可能にしてもよい。

コンピュータは、典型的には、周知の構成要素、例えばプロセッサ、オペレーティングシステム、システムメモリ、メモリ記憶装置、入出力コントローラ、入出力装置及び表示装置を含む。多くの可能なコンピュータの設定及び構成要素が存在し、キャッシュメモリ、データバックアップユニット及び多くの他の装置を含んでもよいということは、当業者によって理解されるものである。入力装置の例は、キーボード、カーソルコントロールデバイス（例えば、マウス）、マイクロホン、スキャナなどを含む。出力装置の例は、表示装置（例えば、モニタ又はプロジェクタ）、スピーカ、プリンタ、ネットワークカードなどを含む。表示装置は視覚情報を提供する表示装置を含んでもよく、この情報は、典型的には、ピクセルアレイとして論理的に及び／又は物理的に構成されてもよい。入出力インターフェースを提供するためのさまざまな周知又は将来のソフトウェアプログラムのいずれかを備えてもよいインターフェースコントローラが含まれてもよい。例えば、インターフェースは、１つ又は複数のグラフィック描写をユーザに提供する「グラフィカルユーザインターフェース」（しばしばＧＵＩと称される）と一般に称されるものを含んでもよい。インターフェースは、典型的には、当業者に知られている選択又は入力の手段を用いて、ユーザ入力を受け入れることができる。インターフェースは、タッチスクリーン装置でもよい。同一又は代替実施形態において、コンピュータ上のアプリケーションは、「コマンドラインインターフェース」（しばしばＣＬＩと称される）と称されるものを含むインターフェースを使用してもよい。ＣＬＩは、典型的には、アプリケーションとユーザとの間のテキストベースの相互作用を提供する。典型的には、コマンドラインインターフェースは、表示装置を介してテキストのラインとして出力を表示し、入力を受け取る。例えば、いくつかの実施態様は、「シェル」と称されるもの、例えば、当業者に知られているＵｎｉｘ Ｓｈｅｌｌｓ又はＭｉｃｒｏｓｏｆｔ．ＮＥＴ ｆｒａｍｅｗｏｒｋのようなオブジェクト指向タイププログラムアーキテクチャを使用するＭｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ Ｐｏｗｅｒｓｈｅｌｌを含んでもよい。

当業者は、インターフェースが１つ又は複数のＧＵＩ、ＣＬＩ又はそれらの組み合わせを含んでもよいということを認めるであろう。プロセッサは、市販のプロセッサ、例えば、Ｉｎｔｅｌ Ｃｏｒｐｏｒａｔｉｏｎ製のＣｅｌｅｒｏｎ、Ｃｏｒｅ又はＰｅｎｔｉｕｍプロセッサ、Ｓｕｎ Ｍｉｃｒｏｓｙｓｔｅｍｓ製のＳＰＡＲＣプロセッサ、ＡＭＤ Ｃｏｒｐｏｒａｔｉｏｎ製のＡｔｈｌｏｎ、Ｓｅｍｐｒｏｎ、Ｐｈｅｎｏｍ又はＯｐｔｅｒｏｎプロセッサを含んでもよいし、現在又は将来利用できる他のプロセッサの１つでもよい。プロセッサのいくつかの実施形態は、マルチコアプロセッサと呼ばれるものを含んでもよい、及び／又は、シングル又はマルチコア構成の並列処理技術を使用可能でもよい。例えば、マルチコアアーキテクチャは、典型的には、２つ以上のプロセッサ「実行コア」を備える。この例では、各実行コアは、マルチスレッドの並列実行を可能にする独立プロセッサとして実行してもよい。さらに、当業者は、プロセッサが３２又は６４ビットアーキテクチャと一般に称されるものにおいて構成されてもよいし、現在公知又は将来開発され得る他のアーキテクチャの構成において構成されてもよいということを認識するであろう。

プロセッサは、典型的には、オペレーティングシステムを実行し、オペレーティングシステムは、例えば、Ｍｉｃｒｏｓｏｆｔ ＣｏｒｐｏｒａｔｉｏｎからのＷｉｎｄｏｗｓタイプのオペレーティングシステム、Ａｐｐｌｅ Ｃｏｍｐｕｔｅｒ Ｃｏｒｐ．からのＭａｃＯＳＸオペレーティングシステム、多くのベンダーから入手可能なＵｎｉｘ又はＬｉｎｕｘ（登録商標）−タイプオペレーティングシステム、又は、オープンソースと称されるもの、その他又は将来のオペレーティングシステム又はそれらの組み合わせでもよい。オペレーティングシステムは、ファームウェア及びハードウェアと周知の方法で連動し、プロセッサが、さまざまなプログラミング言語で記述され得るさまざまなコンピュータプログラムの機能を調整及び実行するのを支援する。オペレーティングシステムは、典型的には、プロセッサと協同し、コンピュータの他の構成要素の機能を調整及び実行する。オペレーティングシステムは、スケジューリング、入出力制御、ファイル及びデータ管理、メモリ管理及び通信制御及び関連サービス、周知の技術に従うすべてを提供する。

システムメモリは、所望の情報を格納するために使用可能であり、かつ、コンピュータによってアクセス可能なさまざまな周知又は将来のメモリ記憶装置のいずれかを含むことができる。コンピュータ可読の記憶媒体は、情報、例えばコンピュータ可読命令、データ構造、プログラムモジュール又は他のデータの記憶のための任意の方法又は技術によって実装される揮発性及び不揮発性、取り外し可能及び取り外し不可能な媒体を含むことができる。例は、任意の一般に利用できるランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、電気的消去プログラム可能読取専用メモリ（ＥＥＰＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、磁気媒体、例えば固有のハードディスク又はテープ、光媒体、例えば読取及び書込コンパクトディスク又は他のメモリ記憶装置を含む。メモリ記憶装置は、コンパクトディスクドライブ、テープドライブ、リムーバブルハードディスクドライブ、ＵＳＢ又はフラッシュドライブ又はディスケットドライブを含むさまざまな周知又は将来の装置のいずれかを含んでもよい。この種のタイプのメモリ記憶装置は、典型的には、プログラム記憶媒体、例えば、コンパクトディスク、磁気テープ、リムーバブルハードディスク、ＵＳＢ又はフラッシュドライブ又はフロッピーディスケットのそれぞれから読み取り及び／又は書き込みをする。これらのプログラム記憶媒体、又は、現在使用中又は将来開発され得る他のプログラム記憶媒体のいずれかは、コンピュータプログラム製品とみなされてもよい。認識されるように、これらのプログラム記憶媒体は、典型的には、コンピュータソフトウェアプログラム及び／又はデータを格納する。コンピュータ制御論理とも呼ばれるコンピュータソフトウェアプログラムは、典型的には、システムメモリ及び／又はメモリ記憶装置と連動して使用されるプログラム記憶装置に格納される。いくつかの実施形態では、コンピュータプログラム製品は、格納される制御論理（プログラムコードを含むコンピュータソフトウェアプログラム）を有するコンピュータが使用可能な媒体を含んで記載される。制御論理は、プロセッサによって実行されるとき、プロセッサに本願明細書に記載される機能を実行させる。他の実施態様では、いくつかの機能は、例えば、ハードウェア状態機械を用いるハードウェアにおいて主に実装される。本願明細書に記載される機能を実行するためのハードウェア状態機械の実装は、当業者にとって明らかである。入出力コントローラは、人間又は機械であれ、ローカル又はリモートであれ、ユーザから情報を受け取り、処理するためのさまざまな周知の装置のいずれかを含むことができる。この種の装置は、例えば、モデムカード、ワイヤレスカード、ネットワークインターフェースカード、サウンドカード又はさまざまな周知の入力装置のいずれかのための他のタイプのコントローラを含む。出力コントローラは、人間又は機械であれ、ローカル又はリモートであれ、ユーザに情報を示すためのさまざまな周知の表示装置のいずれかのためのコントローラを含むことができる。現在記載される実施形態において、コンピュータの機能要素は、システムバスを介して互いに通信する。コンピュータのいくつかの実施形態は、ネットワーク又は他のタイプの遠隔通信を用いて、いくつかの機能要素と通信することができる。当業者にとって明らかであるように、計器制御及び／又はデータ処理アプリケーションは、ソフトウェアで実装される場合、システムメモリ及び／又はメモリ記憶装置にロードされ、これから実行されてもよい。計器制御及び／又はデータ処理アプリケーションのすべて又は一部は、読み出し専用メモリ又はメモリ記憶装置の類似の装置内に存在してもよく、この種の装置では、計器制御及び／又はデータ処理アプリケーションが入出力コントローラによって最初にロードされる必要はない。計器制御及び／又はデータ処理アプリケーション又はそれの一部は、実行に有利なように、プロセッサによって、周知の方法で、システムメモリに又はキャッシュメモリに又はその両方にロードされてもよいことは、当業者によって理解されるものである。また、コンピュータは、システムメモリに格納される１つ又は複数のライブラリファイル、実験データファイル及びインターネットクライアントを含むことができる。例えば、実験データは、１つ又は複数の実験又はアッセイに関連したデータ、例えば検出された信号値又は１つ又は複数のシーケンシングバイシンセシス（ｓｅｑｕｅｎｃｉｎｇ ｂｙ ｓｙｎｔｈｅｓｉｓ）（ＳＢＳ）実験又はプロセスに関連付けられた他の値を含むことができる。さらに、インターネットクライアントは、ネットワークを用いて他のコンピュータ上のリモートサービスにアクセスできるアプリケーションを含んでもよく、例えば「ウェブブラウザ」と一般に呼ばれるものを備えてもよい。この例では、いくつかの一般に使用されたウェブブラウザは、Ｍｉｃｒｏｓｏｆｔ Ｃｏｒｐｏｒａｔｉｏｎから入手可能なＭｉｃｒｏｓｏｆｔ Ｉｎｔｅｒｎｅｔ Ｅｘｐｌｏｒｅｒ、Ｍｏｚｉｌｌａ ＣｏｒｐｏｒａｔｉｏｎからのＭｏｚｉｌｌａ Ｆｉｒｅｆｏｘ、Ａｐｐｌｅ Ｃｏｍｐｕｔｅｒ Ｃｏｒｐ．からのＳａｆａｒｉ、Ｇｏｏｇｌｅ ＣｏｒｐｏｒａｔｉｏｎからのＧｏｏｇｌｅ Ｃｈｒｏｍｅ、又は、従来技術において現在公知の又は将来開発されるウェブブラウザの他のタイプを含む。また、同一又は他の実施形態において、インターネットクライアントは、ネットワークを介してリモート情報にアクセスできる専門ソフトウェアアプリケーション、例えば生物学的応用のためのデータ処理アプリケーションを含んでもよいし、その要素であってもよい。

ネットワークは、当業者に周知のネットワークの多くのさまざまなタイプの１つ以上を含むことができる。例えば、ネットワークは、ＴＣＰ／ＩＰプロトコル群と一般に呼ばれるものを使用して通信してもよいローカル又はワイドエリアネットワークを含むことができる。ネットワークは、インターネットと一般に呼ばれる相互接続されたコンピュータネットワークの世界的システムを備えるネットワークを含んでもよいし、あるいは、さまざまなイントラネットアーキテクチャを含むこともできる。ネットワーク環境の一部のユーザが、「ファイアウォール」（パケットフィルタ又はボーダープロテクションデバイス（Ｂｏｒｄｅｒ Ｐｒｏｔｅｃｔｉｏｎ Ｄｅｖｉｃｅ）と呼ばれることもある）と一般に呼ばれるものを使用し、ハードウェア及び／又はソフトウェアシステムとの情報通信を制御するのを好むことがあり得るということも当業者は認めるであろう。例えば、ファイアウォールは、ハードウェア又はソフトウェア要素又はいくつかのそれらの組み合わせを備えてもよく、典型的には、ユーザ、例えばネットワーク管理者などによって導入されるセキュリティポリシーを実施するように設計される。

例示的なスコアリングアルゴリズムは、本願明細書において記載される。例えば、「Ｔｉｓｓｕｅ ｏｂｊｅｃｔ−ｂａｓｅｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｓｙｓｔｅｍ ｆｏｒ ａｕｔｏｍａｔｅｄ ｓｃｏｒｉｎｇ ｏｆ ｄｉｇｉｔａｌ ｗｈｏｌｅ ｓｌｉｄｅｓ（デジタル・ホール・スライドの自動採点のための組織物体に基づく機械学習システム）」という名称のＷＯ２０１４１４００８５Ａ１出願から、少なくとも、開示された技術のいくつかの実施形態は、組織標本スライド、例えば、免疫組織化学（ＩＨＣ）アッセイで染色される標本を自動的に解釈及びスコアリングするための画像化システムに関するものである。システムは、全スライドに関連付けられた情報及び特性に少なくとも部分的に基づいて、画像の領域又は全画像（例えば、デジタル全スライド画像）を分析し、定量分析のための特性を選択する。全スライド画像は、スライドの領域（例えば、標識、マーカー及び空白エリアを除くスライドの全領域）を含む組織のすべて又は実質的にすべての画像とみなされる。開示されたシステムは、スライドの組織を含む領域に関連付けられたデータに関する情報に少なくとも部分的に基づいて、スライドの領域（例えば、スライドの特定の組織領域）又は全スライドの細胞構造（例えば、核物体、核種）及び細胞を識別する。さらにまた、開示されたシステムは、細胞を計数し、これらの細胞のさまざまなタイプの局部特徴及び全域特徴を計算し、細胞タイプを識別し、定量分析を実行してもよい。特徴計算は、スライドの注釈がつけられた領域からの情報だけでなく、全スライド（例えば、複数の倍率で分析されるスライドの組織を含む領域）からの情報を用いることができる。システムは、細胞を自動的に計数及び分類し、全スライド（すなわち、スライドの組織を含む領域のすべて）に関連付けられた情報又はデータに少なくとも部分的に基づいて、選択された視野及び／又は全スライドに少なくとも部分的に基づいて、画像及び／又は全スライドをスコアリングすることができる。スコアは、スライド解釈のために使用可能である。例えば、システムは、核物体を正確に計数し、組織に関する情報を決定し、信頼性が高く再現可能なスライド解釈によって支援することができる。一実施形態において、システムは、陽性染色核物体及び／又は陰性染色核物体を計数し、例えば生物試料（例えば、腫瘍組織）をスコアリングする。いくつかの実施形態では、オーバーレイ画像が生成され、被験者からの標本の画像内の関心特徴に標識される。組織のスコアリングは、組織サンプルのための予知を予測及び／又は生成するために実行されてもよい。いくつかの実施形態では、病理学者は、スライドスコアを承認又は拒否することができる。スライドスコアが拒否される場合、自動化されたスコアは、手動のスコア（例えば、目視検査に少なくとも部分的に基づくスコア）によって置換可能である。システムは、各マーカー、例えばバイオマーカーのための一組の訓練又は基準スライドに少なくとも部分的に基づいて訓練されたクラシファイアを有することができる。マーカーのための一組の訓練スライドは、すべての所望のデータ可変性を表すことができる。異なる組のスライドを用いて、クラシファイアを各マーカーのために訓練することができる。したがって、単一のマーカーのために、単一のクラシファイアは、訓練後に得られる。異なるマーカーから得られる画像データの間に可変性が存在するので、異なるクラシファイアは、各異なるバイオマーカーのために訓練され、目に見えないテストデータ上のより良好な性能を確実にすることができ、テストデータのバイオマーカータイプが分かる。訓練されたクラシファイアは、例えば、組織タイプ、染色プロトコル及び他の関心特徴における、訓練データの可変性を最良に扱う方法に少なくとも部分的に基づいて、スライド解釈のために選択可能である。システムは、その領域内の情報及びその領域外の情報に少なくとも部分的に基づいて、画像の特定領域を分析することができる。いくつかの実施形態では、多段階二進クラシファイアは、陽性核及び陰性核を識別することができる。陽性核は、陰性核、リンパ球及び間質から区別可能である。さらに、陰性細胞及びリンパ球は、間質から区別可能である。次に、リンパ球は、陰性核から区別される。さらなる分類において、陽性細胞は、背景細胞から区別可能である。例えば、陽性細胞が茶色に染色された核を有する場合、背景細胞は、ろ過可能な細胞質顆粒紅潮（ｃｙｔｏｐｌａｓｍｉｃ ｂｌｕｓｈ）を示してもよい。陽性／陰性核の数に少なくとも部分的に基づいて、スコア（例えば、全スライドスコア）は、決定可能である。

いくつかの実施形態では、全スライド解釈のための方法は、組織に対応するデジタル化された全スライド画像の部分を識別するステップを含む。
生物試料（例えば、組織）が配置される基板（例えば、ガラス）の色特性に少なくとも部分的に基づいて、組織及び組織の関心領域は、識別される。シードポイント（ｓｅｅｄ ｐｏｉｎｔ）は、識別された組織の関心領域のために検出され、組織核物体は、識別された領域から抽出される。抽出された組織物体の各々のために、抽出された物体の特性は、識別され、訓練されたクラシファイアを用いて、抽出された物体を分類することができる。訓練されたクラシファイアは、ユーザ、医師等によって修正可能である。異なる訓練されたクラシファイアを用いて、異なるタイプの組織及びマーカーを分析することができる。コンピュータ可読の記憶媒体は、データ（例えば、クラシファイア、アルゴリズム等）及び命令を格納することができ、命令は、プロセッサを有する計算システムによって実行される場合、計算システムにこの種の方法を実行させることができる。

さらなる実施形態において、組織データのデジタル化画像内の物体を分類するための教師付き学習システムは、グラウンドトゥルーススライドに少なくとも部分的に基づいて、クラシファイアを訓練するための手段と、入力スライドに関連付けられた組織データのデジタル化画像を受け取るための手段と、デジタル化された組織データを分析するための手段と、を含む。デジタル化された組織データを分析するための手段は、デジタル化された組織画像内の潜在的な核シードポイントを検出するための手段と、物体をデジタル化された組織画像から抽出するための手段と、を含むことができる。一実施形態において、システムは、抽出された物体の各々を分類するための手段をさらに含む。

いくつかの実施形態では、計算システムにより用いられる方法は、組織スライド、例えば、ＩＨＣスライドのデジタル化画像の解釈を提供することができる。方法は、基準訓練スライド（例えば、グラウンドトゥルース又は訓練スライド）の組織サンプルのデジタル化画像を受け取るステップを含む。いくつかの実施形態では、１組の基準スライドが用いられる。例えば、基準スライド画像は、分析される組織と同一タイプの組織の画像とすることができる。システムは、基準画像に関連付けられた既知の情報に少なくとも部分的に基づいて、組織、染色プロトコル、画像走査及びアーチファクト源のデータ可変性のために観察されるデジタル化画像内の可変性の特性について学習する。システムは、少なくとも１つの分類方法を受け取り、組織サンプルのデジタル化画像を用いてクラシファイアを訓練することができる。必要な場合又は要求される場合、クラシファイアは、追加の基準スライドを用いて修正可能である。

システムは、いくつかの実施形態において、入力スライドに関連付けられたデータのデジタル化画像を、被験者からのサンプルとともに受け取ることができる。いくつかの実施形態では、スライドのスコアリングは、例えば、２つのモード、視野（ＦＯＶ）モード及び自動化モードのうちの１つで起こる。ＦＯＶモードにおいて、ユーザ、例えば病理学者は、全スライド画像内の複数の領域（例えば、３つ以上の領域）の輪郭を形成する、又は、「注釈をつけ」、分析アルゴリズムは、注釈がつけられた領域に関して実行される。最終的な複合スコアは、すべてのこれらの注釈がつけられた領域内で検出された陽性及び陰性の腫瘍核の数に少なくとも部分的に基づいて得られる。自動化モードにおいて、関心領域（ＡｏＩ）検出器は、全スライド画像内の組織領域を発見又は識別する、又は、組織注釈は、いくつかの他の画像分析アルゴリズム、例えば、注釈を隣接する連続切片からＩＨＣ組織スライドにマッピングする画像レジストレーションアルゴリズムによって、自動的に生成される。次に、組織領域は、タイルにセグメント化され、分類及び核計数アルゴリズムは、組織を含む各タイルに対して実行される。さらに、組織を含む画像タイルに少なくとも部分的に基づいて、複合スコアを得ることができる。所定の画像内の細胞を検出、計数及び分類するための基礎となる方法論が、画像が、ＡｏＩ検出の後の全スライド画像内のユーザ注釈がつけられた領域又は自動的に得られたタイルでもよいという点で類似しているとしても、２つのワークフローには少なくとも１つの相違が存在する。ＦｏＶモードは、ＦＯＶ選択に関して手動の入力に依存し、一方、自動化モードは、依存しない。注釈がつけられたＦＯＶモードは、図２に関してさらに述べられ、一方、自動化モードは、図３に関してさらに述べられる。識別された組織内の１つ又は複数の領域は、優勢色に少なくとも部分的に基づいて識別される。識別された領域のために、識別された領域内のシードポイントは検出され、識別された領域からの物体は抽出される。訓練されたクラシファイアが抽出された物体の計算された特徴に少なくとも部分的に基づいて、抽出された物体を分類するように、抽出された物体（１つ以上）の特徴は計算される。いくつかの実施形態では、コンピュータシステムは、１つ又は複数の選択基準に少なくとも部分的に基づいて、標本の画像内の特徴を自動的に識別するようにプログラム可能であり、選択基準は、色特性、サンプル形態（例えば、細胞成分形態、細胞形態、組織形態、解剖構造形態等）、組織特性（例えば、密度、構成等）、空間パラメータ（例えば、組織構造の配置、組織構造間の相対位置等）、画像特性パラメータ等に少なくとも部分的に基づく基準を含む。特徴が核である場合、選択基準は、色特性、核形態（例えば、形状、寸法、構成等）、空間パラメータ（例えば、細胞構造内の核の位置、核間の相対位置等）、画像特性、それらの組み合わせ等を含むが、これらに限定されるものではない。候補の核を検出した後、アルゴリズムが用いられ、全分析画像についてのスコア又は情報を自動的に提供することができる。選択基準は、基準画像に少なくとも部分的に基づいて修正又は決定可能である。例えば、染色された胸部組織の基準画像を用いて、被験者からの胸部組織の画像の核を選択するのに用いられる選択基準を決定することができる。いくつかの実施形態では、ユーザは、スライドごとに任意の関心領域を削除することができる。例えば、ユーザは、画像の１つ又は複数の領域がスコアリングに不適当であると、視覚的に決定してもよい。

いくつかの実施形態では、設備（ｆａｃｉｌｉｔｙ）は、組織データのデジタル化画像の全スライド解釈のための方法を提供する。方法は、組織サンプルの複数のデジタル化画像を受け取るステップを含む。各組織サンプルは、グラウンドトゥルーススライドに対応し、複数のデジタル化画像の各々のために、少なくとも１つの分類は、デジタル化画像によって関連付けられる。設備は、組織サンプルの受け取られたデジタル化画像を用いて、組織−物体クラシファイアを訓練するようにさらに構成される。グラウンドトゥルーススライドではない第１のスライドに関連付けられたデータのデジタル化画像を受け取ると、設備は、１）第１のスライドに関連付けられたデータのデジタル化画像内の組織と、２）識別された組織内の優勢色と、３）識別された優勢色に少なくとも部分的に基づいて識別された組織内の領域と、を識別する。識別された領域の各々のために、設備は、識別された領域内のシードポイントを検出し、物体を識別された領域から抽出する。さらに、抽出された物体の各々のために、設備は、抽出された物体の特性を識別し、訓練されたクラシファイアを用いて、抽出された物体の識別された特性に少なくとも部分的に基づいて、抽出された物体を分類することができる。

さらに、「Ｉｍａｇｅ ａｎａｌｙｓｉｓ ｆｏｒ ｂｒｅａｓｔ ｃａｎｃｅｒ ｐｒｏｇｎｏｓｉｓ（乳癌予知のための画像分析）」という名称のＷＯ２０１４１０２１３０の出願は、乳癌予知のためのコンピュータ実装方法を提供する。例えば、方法は、バイオマーカー用の抗体で検出可能に標識された乳癌サンプルを描写する表示画像内の複数のデジタル視野間においてバイオマーカーに対して測定されたタンパク質異質性と、被験者に対する免疫組織化学複合スコアと、に少なくとも部分的に基づいて、乳癌再発予知スコアを生成するステップと、乳癌再発予知スコアに基づいて、被験者に対する乳癌再発予知の指示を出力するステップと、を含む。これらの方法に基づき、計算システムに開示された方法を実行させるコンピュータ実行可能命令を含む１つ又は複数の非一時的コンピュータ可読媒体もまた提供される。

コンピュータ実装方法もまた提供される。一例では、この種の方法は、被験者からの乳癌サンプルにおけるそれぞれのバイオマーカーに対するタンパク質発現を描写する複数のスライド画像を受け取るように動作可能なスライド画像処理ツールを含み、スライド画像処理ツールは、スライド画像内の視野をさらに受け取るように動作可能であり、スライド画像処理ツールは、スライド画像及びスライド画像内の視野に基づいて、免疫組織化学複合スコアを計算するように動作可能であり、スライド画像処理ツールは、スライド画像及びスライド画像内の視野の選択に基づいて、１つ又は複数の異質性スコアを計算するように動作可能であり、この種の方法は、免疫組織化学複合スコア及び１つ又は複数の異質性スコアを入力として受け入れ、被験者において癌が再発する可能性が高いか否かの指示を出力するように動作可能な予知ツールを含む。

この開示は、乳癌再発予知の指示を表示するステップを含むことができるコンピュータ実装方法もまた提供する。この種の方法は、免疫組織化学複合スコア及び異質性スコアを組み合わせ、乳癌再発予知スコアを求めるステップと、乳癌再発予知スコアに基づいて、乳癌再発予知の指示を表示するステップと、を含むことができる。

バイオマーカー用の抗体で検出可能に標識された乳癌サンプルを描写する表示画像内の複数のデジタル視野を受け取るステップと、デジタル視野においてバイオマーカーに対するタンパク質発現を測定するステップと、複数のデジタル視野間において、バイオマーカーに対して測定されたタンパク質発現の異質性を測定するステップと、バイオマーカーに対して測定されたタンパク質異質性を出力するステップと、を含むコンピュータ実装方法が提供される。

被験者に対する免疫組織化学複合スコアを計算するステップを含むコンピュータ実装方法が提供され、この方法は、複数のバイオマーカー用に、それぞれのバイオマーカー抗体で検出可能に標識された乳癌サンプルを描写するそれぞれの画像内のそれぞれの複数のデジタル視野を受け取るステップと、複数のバイオマーカーに対して陽性百分率を測定するステップと、免疫組織化学複合スコアを計算するステップであって、免疫組織化学複合スコア計算が、１つのバイオマーカーに対する陽性百分率を、第２のバイオマーカーに対する陽性百分率と組み合わせることを含むステップと、免疫組織化学複合スコアを出力するステップと、を含む。

ＥＲ用の抗体で検出可能に標識された乳癌サンプルを描写する画像において、ＥＲ用に複数のデジタル視野を受け取るステップと、ＥＲ用の抗体で検出可能に標識された乳癌サンプルを描写する画像において、ＰＲ用に複数のデジタル視野を受け取るステップと、ＥＲ用の抗体で検出可能に標識された乳癌サンプルを描写する画像において、Ｋｉ−６７用に複数のデジタル視野を受け取るステップと、ＥＲ用の抗体で検出可能に標識された乳癌サンプルを描写する画像において、ＨＥＲ２用に複数のデジタル視野を受け取るステップと、ＥＲ用のデジタル視野に基づいて、ＥＲに対するＨ−スコアを計算するステップと、ＰＲ用のデジタル視野に基づいて、ＰＲに対する陽性百分率を計算するステップと、Ｋｉ−６７用のデジタル視野に基づいて、Ｋｉ−６７に対する陽性百分率を計算するステップと、ＨＥＲ２用のデジタル視野に基づいて、ＨＥＲ２に対する等級スコアを計算するステップと、ＥＲに対するＨ−スコア、ＰＲに対する陽性百分率、Ｋｉ−６７に対する陽性百分率及びＨＥＲ２に対する等級スコアを組み合わせ、免疫組織化学複合スコアを求めるステップと、を含むコンピュータ実装方法が提供される。

被験者において乳癌を予知する方法が提供される。いくつかの例において、この種の方法は、エストロゲン受容体（ＥＲ）、ヒト上皮成長因子受容体２（ＨＥＲ２）、Ｋｉ−６７及びプロゲステロン受容体（ＰＲ）の各々用に少なくとも２つの異なる視野（ＦＯＶ）を、被験者から得られた乳癌サンプルにおいて選択するステップであって、サンプルが、ＥＲ、ＨＥＲ２、Ｋｉ−６７及びＰＲの各々用の抗体が検出可能に標識されるステップと、選択されたＦＯＶの各々において、ＥＲ、ＨＥＲ２、Ｋｉ−６７及びＰＲタンパク質発現を測定するステップと、免疫組織化学（ＩＨＣ）複合スコアを決定するステップと、選択されたＦＯＶの各々において、ＥＲ及びＰＲタンパク質異質性を測定するステップと、ＥＲ及びＰＲの各々に対してタンパク質異質性スコアを決定するステップと、タンパク質異質性スコア及びＩＨＣ複合スコアを組み合わせることによって、出力予知スコアを生成するステップと、出力予知スコアが閾値を満たす場合、被験者における乳癌が進行性である可能性が高いと決定し、又は出力予知スコアが閾値を満たさない場合、被験者における乳癌が進行性でありそうにないと決定するステップと、を含む。

バイオマーカー用の抗体で検出可能に標識された、被験者からの乳癌サンプルの画像内のデジタル視野を受け取り、バイオマーカーに対するタンパク質異質性を測定するために処理することができる。異質性測定値を免疫組織化学複合スコアと組み合わせて、乳癌再発予知スコアを生成することができる。この種のスコアは、免疫組織化学複合スコア単独よりも多くの情報を提供することができる。

図６は、統計モデル１０、例えばコックス比例ハザードモデル（図１参照）の生成を示す。モデルは、癌患者、例えば乳癌患者のコホートからの患者データを用いてフィッティングされる。各患者から要求されるデータは、生存データ及び以下の通りに得られるリスク分類スコアを備える。
コホートからの患者の生検組織サンプル４は、隣接組織スライスにスライスされ、組織スライド、例えば、図６のステップ６００に示されるように、組織スライド１、２、３を提供する。組織スライスは、マイクロメータ範囲の厚さ、例えば、１μｍと１０μｍとの間、例えば６μｍの厚さを有してもよい。
組織スライスは単一の染色、染色及び対比染色、又は、複数の染色によって染色される。このように、例えば、染色及び対比染色によって染色された画像及び／又はマルチチャネル画像が得られてもよい。

ここで考慮される例において、単一の染色画像５は、組織スライド１から得られ、単一の染色画像６は、組織スライド２から得られ、マルチチャネル画像は、組織スライド３から得られ、分解後、少なくとも２つの分解画像７及び８を提供する。これらの画像５から８は、画像処理システム、例えばシステム１００（図１参照）の電子メモリに格納されてもよい。

分解画像７及び８は、ともに、同一のマルチチャネル画像から得られるので、正確に同一の座標系を共有し、画像レジストレーション又は画像整列が一組の分解画像内で要求されないということに留意されたい。しかしながら、画像レジストレーションは、好ましくは基準としての分解画像の１つを用いて、他の画像に関して実行される。

ステップ６００において、画像５、６及び７／８は、画像レジストレーションアルゴリズムを用いて、レジストレーション及び整列されてもよい。例えば、マルチチャネル画像７は、画像レジストレーションアルゴリズムを実行するための基準画像として選択される。画像レジストレーションアルゴリズムは、他の画像の各々、すなわちマルチチャネル画像に対する画像５及び６の幾何学的変換を生成する。レジストレーションのための基準画像としてマルチチャネル画像７を用いることは、ここで考慮される例において２つの整列動作しか実行する必要がないという利点を有する。一方、例えば画像５が基準画像として選択されるとき、画像５との整列のための画像６、７及び８を変換するために、３つの整列動作が必要である。それゆえ、マルチチャネル画像を基準として選択することは、計算負荷を実質的に低減し、画像整列のための潜在時間を減少する。

次のステップ６０２において、組織サンプル４内に含まれる腫瘍の境界は、画像５〜８のそれぞれ内で検出される。これは、画像５のための腫瘍境界１１、画像６のための腫瘍境界１２及び分解画像７のための腫瘍境界１３を提供し、画像７及び８が同一の組織スライド３から得られたので、腫瘍境界１３は、分解画像８のためにも同一である。

次のステップ６０４において、スコアは、画像５から８のそれぞれのために個別に計算される。それぞれの腫瘍注釈がつけられた領域境界内に位置するピクセルのみが、それぞれのスコアの計算のために用いられる。例えば、スコアＡは、腫瘍境界１１内に位置するピクセルのみを用いて、画像５のために計算される。同様に、スコアＢは、画像６の腫瘍境界１２内に位置するピクセルのみを用いて、画像６のために計算される。スコアＣは、腫瘍境界１３内に位置するピクセルのみを用いて、画像７のために計算される。スコアＤは、画像７においてと同一の境界１３内の同じピクセル位置を用いて、画像８のために計算される。

個々の画像のスコアは、分析アルゴリズムを用いて計算され、その画像のそれぞれの境界内の腫瘍細胞、及び、マーカーで染色された腫瘍細胞のサブグループを識別してもよい。次に、その画像のスライドスコアは、これらの検出に基づいて生成される。

以下において、リスク分類スコアは、個々の画像スコアＡ、Ｂ、Ｃ及びＤを用いて計算される。これらのスコアＡ、Ｂ、Ｃ及びＤを組み合わせることにより、リスク分類スコアが得られる。

個々のスコアを計算し、それらを組み合わせて単一のスコア、すなわちリスク分類スコアに計算することは、患者のための生存転帰データ１６に対する、例えば個々のスコアＡ、Ｂ、Ｃ、Ｄの統計コックスモデルフィッティングによって得られる。スコアＡ、Ｂ、Ｃ及びＤは、患者の生存データ１６とともに統計モデル１０に入力される。この手順は、患者のコホートのすべての患者のために実行される。

次に、統計モデル１０は、これらのデータ入力を用いてフィッティングされ、データベース（図１のデータベース１１６参照）に格納されてもよい一組のモデルのパラメータ１７を提供する。

どのようにスコアを組み合わせ、単一のリスク分類スコアを計算するかに関する重み、すなわちパラメータ値は、訓練コホートのための生存転帰データに対して、組織スコアの統計コックスモデルフィッティングを行うことによって得られる。それゆえ、我々が見出す重みは、重みが用いられるワークフローに依存するため、従来技術で発表されるものと全く異なる。

特に、重みは、Ｋｉ６７ホットスポット分析によって用いられる重みに対する全腫瘍分析と異なる。
本発明の実施形態に従って、画像５は、Ｈ＆Ｅスライドから得られる。腫瘍境界検出は、Ｈ＆Ｅで染色されたスライドを用いて、腫瘍境界１１を検出する画像処理アルゴリズムを画像５に適用することによって、又は、手動入力によって実行される。次に、腫瘍境界１２及び１３は、腫瘍境界１１を用いて、画像６及び７においてそれぞれ識別される。例えば、画像６及び７は、異なる染色を有し、腫瘍境界の検出がＨ＆Ｅ画像５においてより困難な組織スライドから得られる。

画像５の腫瘍境界１１を、例えば、マーカー間レジストレーションによって、それぞれの腫瘍境界１２及び１３の検出のための入力値として用いることは、画像６及び７内の腫瘍境界の検出を容易にし、より正確な結果を提供する。これは、「Ａ ｒｏｂｕｓｔ ｍｅｔｈｏｄ ｆｏｒ ｉｎｔｅｒ−ｍａｒｋｅｒ ｗｈｏｌｅ ｓｌｉｄｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｏｆ ｄｉｇｉｔａｌ ｐａｔｈｏｌｏｇｙ ｉｍａｇｅｓ ｕｓｉｎｇ ｌｉｎｅｓ ｂａｓｅｄ ｆｅａｔｕｒｅｓ（ラインに基づく特徴を用いてデジタル病理学画像のマーカー間全スライドレジストレーションのためのロバストな方法）」、Ｓａｒｋａｒ Ａ．、Ｖｅｎｔａｎａ Ｍｅｄ． Ｓｙｓｔ．， Ｉｎｃ．、マウンテンビュー、カリフォルニア州、米国；Ｑｕａｎ Ｙｕａｎ、Ｓｒｉｎｉｖａｓ Ｃ．、２０１４年４月２９日−２０１４年５月２日、７６２−７６５ページ、ＩＮＳＰＥＣ Ａｃｃｅｓｓｉｏｎ Ｎｕｍｂｅｒ：１５１１４８７７（ｈｔｔｐ：／／ｉｅｅｅｘｐｌｏｒｅ．ｉｅｅｅ．ｏｒｇ／ｘｐｌ／ｌｏｇｉｎ．ｊｓｐ？ｔｐ＝＆ａｒｎｕｍｂｅｒ＝６８６７９８２＆ｕｒｌ＝ｈｔｔｐ％３Ａ％２Ｆ％２Ｆｉｅｅｅｘｐｌｏｒｅ．ｉｅｅｅ．ｏｒｇ％２Ｆｘｐｌｓ％２Ｆａｂｓ＿ａｌｌ．ｊｓｐ％３Ｆａｒｎｕｍｂｅｒ％３Ｄ６８６７９８２）に従って達成されてもよい。

生存データ１６を含む、入力データを用いた統計モデル１０のフィッティングは、以下の従来技術から公知である。「Ａｎａｌｙｓｉｓ ｏｆ Ｓｕｒｖｉｖａｌ Ｄａｔａ ｕｎｄｅｒ ｔｈｅ Ｐｒｏｐｏｒｔｉｏｎａｌ Ｈａｚａｒｄｓ Ｍｏｄｅｌ（比例ハザードモデルによる生存データの分析）」、Ｎ． Ｅ． Ｂｒｅｓｌｏｗ、「Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｔａｔｉｃｔｉｃａｌ Ｒｅｖｉｅｗ（国際統計レビュー）」第４３巻、第１号（１９７５年４月）、４５−５７ページ、国際統計協会（ＩＳＩ）出版、ＤＯＩ：１０．２３０７／１４０２６５９（ｈｔｔｐ：／／ｗｗｗ．ｊｓｔｏｒ．ｏｒｇ／ｓｔａｂｌｅ／１４０２６５９）参照。

図６に示される方法の実行の結果、フィッティングされた統計モデル１０が得られる。
図７は、フィッティングされた統計モデル１０が利用される画像処理方法を示す。図６の方法に類似して、生検組織サンプル４’は、患者のために処理される。統計モデル１０を生成するように機能した、患者のコホートのために行われたのと同一の方法で、生検組織サンプル４’は、スライスされ、組織スライド１’、２’及び３’を提供する。

同様に、次のステップ６００、６０２、６０４もまた、生検組織サンプル４’が得られたその患者の組織スライド１’、２’及び３’からの結果であるそれぞれの画像５’、６’、７’及び８’においてと同一の方法で実行される。

結果として生じるスコアＡ、Ｂ、Ｃ及びＤは、フィッティングされる統計モデル１０に入力される。パラメータ１７は、メモリ、例えばデータベース１１６（図１参照）から読み出され、統計モデル１０は、例えばシステム１００（図１参照）によって、パラメータ１７及び入力スコアＡ、Ｂ、Ｃ及びＤを用いて、自動的に実行される。その結果、統計モデル１０は、出力値１８、すなわち、パーセンテージ値又は０と１との間の値でもよいリスク分類スコアを提供する。

次に、出力値１８は、プログラムモジュール１９の実行によって、システム１００により閾値化される。モジュール１９によって閾値化動作を実行するために用いられる閾値は、統計モデル１０の生成のために収集された臨床データに基づいて決定されたカットオフポイントである。

閾値化モジュール１９により出力される結果の出力信号２０は、二進であり、これにより、例えば、論理「０」は、生検組織サンプル４’が得られた患者は、ローリスクの患者グループに属するので、その患者の癌の再発が予想されないことを示し、一方、信号２０の論理値「１」は、患者がハイリスクのグループに属するので、薬の投与、例えば、補助化学療法剤が推奨されることを示してもよい。

本発明のさらなる実施形態に従って、画像５及び５’は、Ｋｉ−６７で染色された組織スライドから得られる。腫瘍及び腫瘍境界の代わりに、Ｋｉ−６７ホットスポット及びＫｉ−６７ホットスポット境界は、上述した手順に類似して画像内で検出される。

本開示の例示的実施形態の上述した開示は、図示及び説明のために示された。包括的であること又は本開示を開示された形のみに制限することは意図していない。本願明細書に記載される実施形態の多くの変形及び修正は、上述した開示を考慮して当業者にとって明らかである。本開示の範囲は、本願明細書に添付された請求項及びそれらの等価物のみによって定義されるものである。

さらに、本開示の代表的な実施形態を記載する際、明細書は、本開示の方法及び／又はプロセスをステップの特定の順序として提示してきたかもしれない。しかしながら、方法又はプロセスが本願明細書に記載されるステップの特定の順番に依存しない程度に、方法又は方法は、記載されるステップの特定の順序に限定されるべきではない。当業者が認識するように、ステップの他の順序も可能である。それゆえ、明細書に記載されるステップの特定の順番は、請求項に対する制限として解釈されるべきではない。さらに、本開示の方法及び／又はプロセスに関する請求項は、記載された順序でそれらのステップが実行されることに限定されるべきではなく、順序が変化してもよく、順序が変化しても、本開示の精神及び範囲内のままであることを当業者は容易に認めることができる。

Claims (13)

1. 所定のワークフローに従って、患者の癌生検組織サンプル（４’）を分析するデジタル病理学方法であって、
   ａ）前記生検組織サンプルの組織病理に関する組織スライド（１’、２’、３’）から複数の画像（５’、６’、７’、８’）を取得するステップと、
   ｂ）前記画像（５’）の１つ内の腫瘍又はホットスポットの境界（１１’）を検出するステップであって、前記画像の前記１つに、画像処理アルゴリズムを実行することによって、又は、前記画像の前記１つのために、前記腫瘍もしくは前記ホットスポットの前記境界を表す注釈を手動で入力することによって、検出するステップと、
   ｃ）前記検出された境界（１１’）を用いて、例えばマーカー間レジストレーションによって、他の画像（６’、７’、８’）のそれぞれ内の前記腫瘍又は前記ホットスポットの前記境界（１１’、１２’、１３’）を識別するステップと、
   ｄ）前記画像のそれぞれのためのスライドスコア（Ａ、Ｂ、Ｃ、Ｄ）を計算するステップであって、前記画像の１つのための前記スライドスコアの前記計算は、その画像の前記腫瘍又は前記ホットスポットの前記境界内の前記画像の前記１つの画像部分のみを用いて実行されるステップと、
   ｅ）前記スライドスコアを、癌再発リスクをモデル化する統計モデル（１０）に入力するステップと、
   ｆ）前記スライドスコアを用いた前記統計モデル（１０）によってリスク分類スコア（１８）を計算するステップと、
   ｇ）前記リスク分類スコアの閾値化（１９）によって信号（２０）を生成するステップであって、前記信号は、補助化学療法剤のような薬の投与の要件を前記患者に癌再発の回避のために表し、前記リスク分類スコアの閾値化は前記リスク分類スコアのカットオフポイントを決定することを含み、前記リスク分類スコアのカットオフポイントを決定することは、訓練患者サンプルの組を、ローリスクのグループ及びハイリスクのグループの間のカプランマイヤー生存確率推定曲線の間の分離を最大にすることによって、前記ローリスクのグループ及び前記ハイリスクのグループへと最適に分類することを含む、ステップと、
   を含み、
   前記統計モデルは、癌患者のコホートの内の各患者の各癌生検組織サンプルについてステップａ）からｅ）を実行することに基づいて生成され、ステップｅ）は、前記各患者の生存データを入力することと、前記統計モデルのパラメータ値を提供するために前記入力されたスコア及びそれぞれの生存データを用いて前記統計モデルをフィッティングすることと、前記パラメータ値をメモリに格納することとをさらに含む、方法。
2. 前記腫瘍が前記ステップｂ）において検出される前記画像の前記１つは、Ｈ＆Ｅ画像であり、前記境界（１１’）は、病理学者によって手動で注釈がつけられる、又は、前記Ｈ＆Ｅ画像内でアルゴリズム的に検出され、さらなる境界（１２’、１３’）は、前記Ｈ＆Ｅ画像内で検出される前記腫瘍境界（１１’）を用いて、例えばマーカー間レジストレーションによって識別される、請求項１に記載の方法。
3. 前記ホットスポットが前記ステップｂ）において検出される前記画像の前記１つは、Ｋｉ−６７画像であり、ステップｃ）の前記他の画像内の前記ホットスポット境界の識別は、前記Ｋｉ−６７画像内で検出される前記ホットスポット境界（１１’）を用いて、例えばマーカー間レジストレーションによって実行される、請求項１に記載の方法。
4. 前記組織スライドは、生物学的特徴の前記識別のために染色によってマークされ、前記組織スライド（３’）の１つは、マルチチャネル画像の前記取得のために複数の染色によってマークされ、前記方法は、前記マルチチャネル画像を分解し、一組の分解画像（７’、８’）を提供するステップをさらに含み、前記腫瘍又はホットスポット境界検出は、前記分解画像のために一度だけ実行され、それによって、前記分解画像の１つ（７’）のために得られた前記境界検出の結果は、前記分解画像の他の１つ（８’）にマッピングされる、請求項１から３のいずれか一項に記載の方法。
5. 前記統計モデルは、比例ハザードモデルであり、前記統計モデルは、コックス比例ハザードモデルであり、前記方法は、前記コックス比例ハザードモデルのパラメータ（１７）をデータベース（１１６）に格納するステップと、前記リスク分類スコアの入力に応答して、前記パラメータを前記データベースから読み出すステップと、癌再発リスク値を計算するために、前記パラメータを実行可能プログラムコード（１１４）に入力するステップと、をさらに含む、請求項１から４のいずれか一項に記載の方法。
6. ステップｃ）は、第１の組織スライドの前記画像の前記１つ上の注釈がつけられた１つ又は複数の腫瘍領域を、前記組織病理に関する組織スライドの前記他の画像の各々にマッピングするステップであって、前記組織スライドの前記他の画像の各々は、組織塊からの連続切片に対応する、ステップを含み、
   ステップｄ）は、各組織スライド上の１つ又は複数の腫瘍マーカー又は免疫細胞又は間質細胞の発現に基づいて、前記組織病理に関する組織スライドの前記他の画像の各々について前記スライドスコアを計算するステップを含み、
   ステップｆ）は、前記リスク分類スコアを計算し、一組の係数を用いて、前記組織スライドから、前記スライドスコアを組み合わせるステップを含み、
   患者は、前記リスク分類スコアの前記カットオフポイントに基づいて、前記ローリスクのグループ又は前記ハイリスクのグループに分類され得て、
   前記第１の組織スライドの前記画像上の視野を選択し、スライドスコアを計算するステップであって、前記一組の係数は前記視野に基づいて選択され、前記一組の係数は、前記コホートに含まれる複数の患者の前記生存データに対する、考慮された組の組織スライドについて計算される前記スライドスコアに対して、コックス比例ハザードモデルをフィッティングすることから導出され、前記一組の係数は前記パラメータ値であり、前記コックス比例ハザードモデルは前記統計モデルである、ステップ
   をさらに含む、請求項１に記載の方法。
7. 前記視野は、全腫瘍又はホットスポット選択を備える、請求項６に記載の方法。
8. 前記コホートは、前記生存データを備え、特定の染色及び走査プロトコル、注釈生成、前記複数の患者に対応する画像及びデータ分析ワークフローを有する組織マーカースライドを備える、請求項６に記載の方法。
9. ステップｃ）は、Ｈ＆Ｅ組織スライドの画像上の注釈がつけられた１つ又は複数の腫瘍領域を、ＩＨＣ組織スライドの複数の画像の各々にマッピングするステップであって、ＩＨＣ組織スライドの前記複数の画像は、組織塊からの連続切片に対応する、ステップを含み、
   ステップｄ）は、ＩＨＣ組織スライドの前記複数の画像の各々内の１つ又は複数の腫瘍マーカーの発現に基づいて、ＩＨＣ組織スライドの前記複数の画像の各々について前記スライドスコアを計算するステップを含み、
   ステップｆ）は、一組の係数を用いて、ＩＨＣ組織スライドの前記複数の画像のための前記リスク分類スコアを計算するステップであって、患者は、前記リスク分類スコアの前記カットオフポイントに基づいて、前記ローリスクのグループ又は前記ハイリスクのグループに分類され得る、ステップを含み、
   前記リスク分類スコアを計算するための前記一組の係数は、前記コホートに含まれる複数の患者の前記生存データに対する、前記ＩＨＣ組織スライドの前記スライドスコアに対して、コックス比例ハザードモデルを統計的にフィッティングすることから導出され、前記一組の係数は前記パラメータ値であり、前記コックス比例ハザードモデルは前記統計モデルである、請求項１に記載の方法。
10. ステップｃ）は、ｋｉ６７組織スライドの画像上の注釈がつけられた１つ又は複数のＦｏＶを、ＩＨＣ組織スライドの複数の画像の各々にマッピングするステップであって、ＩＨＣ組織スライドの前記複数の画像は、組織塊からの連続切片に対応する、ステップを含み、
    ステップｄ）は、ＩＨＣ組織スライドの前記複数の画像の各々の１つ又は複数のＦｏＶの発現に基づいて、ＩＨＣ組織スライドの前記複数の画像について前記スライドスコアを計算するステップを含み、
    ステップｆ）は、一組の係数を用いて、ＩＨＣ組織スライドの前記複数の画像のための前記リスク分類スコアを計算するステップであって、患者は、前記リスク分類スコアの前記カットオフポイントに基づいて、前記ローリスクのグループ又は前記ハイリスクのグループに分類され得る、ステップを含み、
    前記リスク分類スコアを計算するための前記一組の係数は、前記コホートに含まれる複数の患者の前記生存データに対する、前記ＩＨＣ組織スライドの前記スライドスコアに対して、コックス比例ハザードモデルを統計的にフィッティングすることから導出され、前記一組の係数は前記パラメータ値であり、前記コックス比例ハザードモデルは前記統計モデルである、請求項１に記載の方法。
11. 請求項１から１０のいずれか１項に記載の方法の実行のために構成された、患者の癌生検組織サンプルを分析するための画像処理システム（１００）。
12. プロセッサと、
    前記プロセッサに接続されるメモリであって、前記プロセッサにより実行されると前記プロセッサに前記方法を実行させるコンピュータ可読命令を格納する、メモリと
    を備える、請求項１１に記載のシステム。
13. 請求項１から１０のいずれか１項に記載の方法を実行するためにプロセッサにより実行されるコンピュータ可読コードを格納する、有形の非一時的コンピュータ可読媒体。