Deep learning-based quantification of eosinophils and lymphocytes shows complementary prognostic effects in colorectal cancer patients
Notice bibliographique
Résumé
The immune microenvironment of colorectal cancer is a major component of the disease and influences not only tumor progression and patient outcome but also therapy response. Expanding on existing studies which have explored the prognostic value of the adaptive immune response with lymphocytes, our study integrates innate immune cells, specifically eosinophils, in a combined analysis. To evaluate the prognostic significance of eosinophils within the context of lymphocyte infiltration, we analyzed a large collective of 1625 colorectal cancer cases from four different centers. For this purpose, we develop an automatic deep learning pipeline for quantification of these immune cells directly from hematoxylin and eosin-stained whole slide images. Our analysis shows eosinophils in the tumor front (EosF) as independent prognostic factor (HR = 0.70, 95%CI = 0.55 - 0.90, p = 0.005), particularly also in microsatellite instability (MSI) cases (HR = 0.32, 95%CI = 0.14 - 0.74, p = 0.008). Moreover, EosF and intraepithelial lymphocytes (IELs) counts are statistically independent and provide additive prognostic information (EosF: HR = 0.71, 95%CI = 0.55 - 0.90, p = 0.005, IELs HR = 0.59, 95%CI = 0.35 - 0.99, p = 0.047). Our study demonstrates that eosinophils are an independent prognostic factor, which can be automatically quantified, underscoring its high potential for translation to a diagnostic biomarker. Moreover, our work could pave the way towards an integrated immune score directly from hematoxylin and eosin-stained sections.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».