Abstract
Bakgrunn
Vårt mål var å utvikle og validere en multi-funksjon atom poengsum basert på bildeanalyse av direkte DNA flekker, og for å teste sin tilknytning til felt effekter og påfølgende deteksjon av prostatakreft (PCA) i godartede biopsier.
Metoder
Tissue seksjoner fra 39 prostatectomies ble Feulgen-farget og digitalt skannet (400 ×), gi kart av DNA innhold per piksel. PCa og godartede epitelceller kjerner ble tilfeldig valgt for måling av 52 grunnleggende morfometriske funksjoner. Logistikk regresjonsmodeller diskriminerende benign fra PCA kjerner, og godartet fra ondartede atom populasjoner, ble bygget og cross-validert av AUC analyse. Atom populasjoner ble tilfeldig samlet 1 mm eller 5 mm fra kreft brennpunkter, og fra kreftfrie prostata, HGPIN og PCa Gleason grad 3-5. Kjerner også ble samlet inn fra negative biopsi fag som hadde en senere diagnose av PCa og alderstilpassede kreftfrie kontroller (20 par).
Resultater
En multi-funksjon atom poengsum diskriminert kreft godartede celle populasjoner med AUC for 0,91 og 0,79, henholdsvis i trening og validerings sett med pasienter. I prostatektomi prøver, både kjerne- og befolkningsnivå modeller avslørte kreftlignende funksjoner i godartede kjerner som grenser til PCA sammenlignet med kjerner som var fjernere eller fra PCA- gratis kjertler. I negative biopsier, har en validert modell med fem varians ga signifikant høyere score i tilfeller enn kontrollene (
P
= 0,026).
Konklusjoner
En multifeature atom morfometrisk score, oppnås ved automatisert digital analyse, ble validert for diskriminering av benign fra kreft kjerner. Dette resultatet viste feltvirkninger i godartede epitelceller kjerner på varierende avstand fra PCA lesjoner, og ble assosiert med påfølgende PCa deteksjon i negative biopsier.
Impact
Denne atom poengsum viser løfte som en risiko prediktor blant menn med negative biopsier og som et mellom biomarkør i fase II chemoprevention studier. Resultatene tyder også på at subvisual forstyrrelser i atomstrukturen forut for utviklingen av pre-neoplastiske lesjoner
Citation. Gann PH, Deaton R, Amatya A, Mohnani M, Rueter EE, Yang Y, et al. (2013) Utvikling av en kjernefysisk Morfometrisk signatur for prostatakreft Risiko i negative biopsier. PLoS ONE 8 (7): e69457. doi: 10,1371 /journal.pone.0069457
Redaktør: Konradin metze, Universitetet i Camp’nas, Brasil
mottatt: 12. desember 2012; Akseptert: 9. juni 2013, Publisert: 26.07.2013
Copyright: © 2013 Gann et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. Støttet av tilskudd fra National Institutes of Health /National Cancer Institute RO1 CA155301 og RO1 CA90759. Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
Små endringer i atom form, størrelse og tekstur forut for histologisk anerkjennelse av prostatakreft (PCA), og dermed kan gi en nyttig biomarkør som indikerer et felt med høy risiko godartet vev. Faktisk, kjernekraft utvidelse, uregelmessighet, hyperchromasia og fremtredende nucleoli er blant kjennetegnene som brukes av patologer å skille høyverdig prostata intraepitelial neoplasi (HGPIN), den mest anerkjente premaligne lesjon for PCa. Mer enn 25 år siden, etterforskere med bakgrunn i optisk vitenskap og databehandling begynte å bruke digitale bildeteknikker i et forsøk på å overskride begrensningene av det menneskelige øyet og hjernen for å gjenkjenne og kvantifisering visuelle mønstre i kjerner under mikroskopet [1]. Dette arbeidet nådde en milepæl da digital bildebehandling ble innlemmet i standard vare for cytologisk evaluering i livmorhalskreft screening. Men til tross for en rekke rapporter om suksess ved hjelp av en rekke tilnærminger og slående forbedringer i både maskinvare og programvare, har IT-baserte kjerne morfometri fortsatt rikelig uutviklet potensial for oppdagelsen av nyttige biomarkører ved PCA forskning [2], [3]. Veltri, et al. nylig publisert en utmerket vurdering omfatter historien og utviklingen av dette feltet [4].
I dette arbeidet har vi fokus på kvantifisering av kjernefysiske DNA mønstre som en biomarkør for tidlig stadium av pre-neoplastisk endring i benign prostatahyperplasi epitel, en scene forbundet med felteffekter eller felt cancerization [5], [6]. Validering av en slik biomarkør kan føre til både kliniske og forskningsanvendelser. Klinisk kan et morfometrisk profil benyttes til å forutsi nærvær av kreft andre steder i kjertelen i negative biopsier, og således for å informere beslutninger om å overvåke og behovet for gjentatt biopsi. PCa er den eneste felles kreft som vanligvis diagnostisert ved tilfeldig nål biopsi, på grunn av bruk av et serum test (PSA) som det viktigste indikator for biopsi og fraværet av enhver tenkelig metode for å visualisere lesjonene. Som et resultat, 70-75% av innledende biopsier er negative og klinikere ikke ha en basis for å skreddersy oppfølging, som kan omfatte overvåkning av PSA og gjenta biopsi. Når det gjelder forskning søknad, kan en validert atom morfometrisk profil tjene som et mellom endepunkt biomarkør for fase II forebyggende studier, bidrar til å identifisere de beste kandidat intervensjoner for testing i lange og dyre fase III studier.
Vi satt sammen en tverrfaglig gruppe som inkluderte patologer, epidemiologer, bioingeniører, dataeksperter og statistikere å utvikle en tilnærming som ville møte to grunnleggende krav: 1) bruk av allment tilgjengelige plattformer for bildeopptak og algoritmeutvikling, og 2) systematisk validering. I denne rapporten beskriver vi utviklingen av et sammenhengende, multi-funksjon atom poengsum basert på pixel-for-pixel mapping av Feulgen DNA flekker som nøyaktig diskriminerer kreft og normale cellepopulasjoner i prostatavevet og definerer et felt effekt i høyrisiko godartet områder.
Metoder
Etikk uttalelse
prosjektet ble gjennomgått og godkjent av Institutional Review Board ved University of Illinois i Chicago. Vevsprøver ble oppnådd under en IRB-godkjent frafallelse av samtykke gjelder avidentifisert prøver av gjenværende vev ikke nødvendig for kliniske formål. Disse prosedyrene var i samsvar med personvern bestemmelsene i helseforsikring bærbarhet og loven ansvarlighet (HIPAA) 1996. Forfatterne er åpne for samarbeid som involverer deling av avidentifiserte data, forutsatt at alle lokale IRB krav er oppfylt.
vevsprøve utvalg for modellbygging og validering
Vi montert to samlinger, fra separate sykehus, av vevsblokker fra radikal prostatektomi pasienter med PCa. Det første settet, som var lære satt for å utvikle modeller for å diskriminere kreft fra godartede kjerner, inkludert 20 pasienter og det andre settet, som brukes til ekstern validering, inkludert 11 pasienter. Blant de 31 prostatektomi pasienter, 11 hadde kreft med Gleason sum klasse 6, 10 med Gleason 7 og 10 med Gleason karakterer 8-9. Alle vevsblokker fra 8 pasienter som gjennomgikk cystoprostatectomy for blærekreft ble også vist. Disse helt innebygd prostata var blottet for PCa på serie seksjonering 3 mm intervaller og ble brukt til å gi «overnaturlige» benign prostata.
Feulgen farging
Tissue deler av 4μ tykkelse ble plassert på silanert glass lysbilder og ble farget med blå Feulgen Farging Kit (ScyTek Laboratories, Logan, UT). Denne flekk bruker Feulgen reaksjon for direkte å binde fargestoffet til aldehydgrupper i DNA som er utsatt ved behandling med saltsyre. Mengden av farge utvikles, er direkte proporsjonal med mengden av DNA i kjernen farget; flekken har blitt validert for ploiditetsanalysen. Seriesnitt ble farget med hematoksylin og eosin slik at viktige histologiske avdelinger kan lett identifiseres på de ensfargede Feulgen lysbilder. Tilstøtende seksjoner fra ett enkelt prostatektomi prøve ble inkludert i hver gruppe og den midlere atomfargeintensitet ble overvåket for å påvise overdreven inter-sats variasjon. Noen kjernefysiske morfometri studier har brukt mer rutine hematoxylin og eosin (H E er ikke-spesifikk. Videre finner vi at Feulgen flekken er lettere å gjengi på tvers av flere grupper av prøver.
Bilde kjøp og behandling
Lysbilder ble skannet på 400 × på en Aperio ScanScope® CS hel-lysbilde digital mikroskop (Aperio Inc., Vista, CA). Hele lysbildene ble anskaffet ved hjelp JPEG 2000-komprimering med kvalitetsfaktoren satt til Q80 (20% tap fra rå image). En digital tegneverktøyet ble brukt på prostatektomi glir til å avgrense områder av PCa av Gleason grad, HGPIN og godartede områder innenfor 1 mm eller 5 mm fra en kreft fokus. Store skannet områder ble delt inn i mindre subimage filer (JPEG-komprimering, kvalitet faktor 80) ved bruk av snapshot Generator funksjon i Aperio Spectrum® image management software; disse subimage filene ble eksportert til Matlab® (MathWorks, Inc., Natick, MA) for gruppebehandling. De batch behandlet subimage filer var 752 × 752 piksler i størrelse (pikselstørrelsen = 0.25μ
2, ca 400-600 piksler per kjerne), som var en håndterlig størrelse for behandling. Ikke-komprimerte TIFF-bildefiler produsert ca 900-1000 piksler per kjerne; imidlertid minne plassbehov og gjennomstrømming ble betydelig økt.
Tilpassede rutiner i Matlab ble brukt til å identifisere piksler som inneholder DNA og å segmentere enkeltkjerner bruker fargebasert k-means og vannskille algoritmer. For de rapporterte her studiene ble segmentert kjerner velges manuelt for morfometrisk funksjonen samlingen ved hjelp av et grafisk grensesnitt. Segmentering og kjernekraft utvalg ble utført i flere trinn. Først ble hver 752 × 752 piksler subimage lastet inn i Matlab. Deretter ble hvert bilde konvertert fra RGB til CIELAB (L * a * b *) fargerom (International Commission on Illumination, https://cie.co.at), som tre akser representerer lysstyrkeverdien (L *), posisjon på rød-grønn-spektrum (a *), og posisjon på den gul-blå-spektrum (b *). Dette reduserer antall farge dimensjoner fra tre i RGB til to, det minimum som kreves for de to-farge hvit og blå Feulgen bilder. Deretter ble en k-means algoritme basert på Euklidsk avstand brukt til å klassifisere hver piksel som blå (DNA) positiv eller hvit. De første innganger for k-means kan påvirke utgang; dermed innledende L * a * b koordinater ble satt basert på kjernen av god bildekvalitet som er valgt av en patolog. Marker-kontrollerte vannskille segmentering basert på gråtonebilder ble implementert i Matlab til å definere individuelle atom grenser (https://www.mathworks.com/products/demos/image/watershed/ipexwatershed.html). Denne tilnærmingen unngår over segmentering ved å markere aggregater av intense piksler innenfor atomkjerner og bakgrunnselementer utenfor kjerner.
En utdannet tekniker ble presentert med en rekke subimages med segmenterte kjerner på en PC-skjerm og mus-klikket på hvert godt segmentert kjerne etter å ha kontrollert sin epitel plassering, og dermed sende sine morfometriske data til et Excel-regneark. De fleste segmentering feil skyldtes over- eller under segmentering av berør eller overlappende kjerner; blant de valgte kjerner vi fant ingen sammenheng mellom atom funksjoner og nærhet til andre kjerner, og dermed tror vi denne prosedyren var relativt objektivt. En digital teller informert teknikeren når totalt 200 epiteliale kjerner, fra et bredt spekter av subimages, var blitt utvalgt fra hver hel seksjon region av interesse eller biopsi. Totalt 52 grunnleggende variable (se tabell S1) ble oppsamlet for hver kjerne reflekterende størrelse, form og DNA teksturegenskaper; mer detaljerte beskrivelser av mange av disse funksjonene er tilgjengelige i litteraturen [7]. Spesielle egenskaper som fanget atom områder med enten kondensert eller sparsom DNA ( «blobs» og «hull» i Feulgen bildet) ble utviklet basert på å identifisere sammenhengende piksler med store avvik fra gjennomsnittet optisk tetthet (se tabell S2). Andre typer funksjoner, inkludert fraktale funksjoner, er lett beregnes, men vi fikk ikke bruke dem i denne analysen. Mange funksjoner er høyt korrelert med hverandre, og vi fant ut at, generelt, utvide bibliotek av funksjoner økt behandlingstiden mens ikke vesentlig forbedre våre resultater. For å justere for eventuelle forskjeller i flekker over grupper og for å oppnå felles måleenheter over funksjoner, vi z-transform hver funksjon verdi ved å trekke gjennomsnittet og dividere med standardavviket som funksjon blant alle kjerner i partiet.
Statistisk analyse
analysen sentrert på å utvikle to typer modeller: en for å diskriminere enkelte kreft kjerner fra godartede kjerner, og den andre for kresne populasjoner av kreft kjerner fra godartede populasjoner. Disse modellene ga multivariable skårer vi merket som MFS
n (multifeature score, kjernekraft) og MFS
p (multifeature score, befolkning) – tilsvarende kjerne- og befolkningsnivå score, henholdsvis. Ved hjelp av data på ca 8000 kjerner hentet fra annotert PCa og godartede områder i læring sett med 20 RP prøver, vi bygget logis regresjonsmodeller å diskriminere kreft kjerner (alle Gleason klassetrinn) fra godartede kjerner minst 5 mm fra en kreft fokus. Vi har sammenlignet flere tilnærminger for å skape diskriminerende multivariable modeller, inkludert lineær diskriminant analyse, logistisk regresjon, Support Vector Machines og nevrale nettverk og funnet i samsvar med tidligere publiserte arbeider, som logistisk regresjon var like god eller bedre enn andre tilnærminger [8]. Variabler ble valgt for inkludering i logistiske modeller basert på baklengs eliminering med et inklusjonskriterium for
P
0,05. Som forventet ble noen variabler høyt korrelert, men ingen modeller unnlatt å konvergere grunn Multikolineæritet. C statistikken ble beregnet som arealet under kurven (AUC) for å skille kreft fra godartede kjerner. En logistisk modell med 27 beholdt funksjoner gitt en høy AUC (0,93) i en uavhengig test prøve av godartede og kreft kjerner innhentet fra 11 tilfeller i den eksterne RP valideringssettet. Vi brukte to-utvalg Kolmogorov-Smirnov statistikken for å sammenligne fordelingen for MFS
n score mellom atom populasjoner samplet fra ulike histologiske avdelinger i 20 RP sett, pluss godartede områder fra de 8 prostatektomi tilfeller med ingen signifikant PCa (dvs. «overnaturlige» kjerner).
Vi brukte to tilnærminger til å konstruere modeller for MFS
p. I den første fremgangsmåten, som vi kalte en to-trinns MFS
p, beregnet vi at MFS
n for hver kjerne og deretter beregnes opp til den fjerde orden øyeblikk (middelverdi, standardavvik, skjevhet og kurtosis) av MFS
n fordeling for befolkningen i kjerner innhentet fra hver vevsprøve (godartet eller ondartet). Disse fire sammendrag variablene ble deretter brukt som predikator i logistikk regresjonsmodeller for å diskriminere godartet vs. ondartede populasjoner og montert sannsynlighet fra den logistiske modellen med et gitt sett av kovariater ble utpekt som MFS
p. Vi hentet en ett-trinns MFS
p ved å beregne middelverdien, standardavvik, skjevhet og kurtosis for hver kjernefunksjon fra hver vevsprøve, som gir totalt 208 potensielle prediktorer (fire ganger 52 grunnleggende funksjoner). Vi deretter brukt enten bakover eliminering eller best undergruppe logistisk regresjon i opplæringen befolkning på 28 pasienter for å velge et redusert sett av prediktorer for kresne kreft fra godartede atom populasjoner. I beste-undergruppe tilnærming, ble de 50 beste kombinasjonene av Predictor sett med opptil fem variablene rangeres basert på sannsynligheten forholdet chi kvadrat kriterium. For hver av disse kombinasjonene vi beregnet leave-one-out kryssvalidering AUC i opplæringen sett av prøver, og modellen med høyest AUC ble valgt som den endelige modellen. De endelige regresjon vekter for hver prediktor ble beregnet som gjennomsnittet koeffisient fra alle 28 forsøk i treningssettet. De endelige modeller som er valgt i utviklingsprosessen ble så testet i den uavhengige valideringssettet som inkluderte 11 radikal prostatektomi prøver. Konfidensintervall for AUC (95% nivå) ble beregnet ved hjelp av en parametrisk tilnærming som utnytter egenskapene til Mann-Whitney statistikken [9]. Alle statistiske analyser ble utført ved hjelp av SAS-PC, versjon 9.1 (SAS, Inc., Cary, NC)
Ekstern validering pilotstudie. Case-control sammenligning av godartede biopsier
Som en ekstern validering test, vi sammenlignet bestander av godartede kjerner tatt fra negative prostatabiopsier der pasienten ble funnet å ha PCa minst to år senere (saker, n 20 =) og godartede kjerner fra negative biopsier av pasienter som fort kreft-fri (kontroller , n = 20). Saker og kontroller ble matchet på alder og dato for indeksen biopsi; alle fag var pasienter på Jesse Brown Veterans Administration Medical Center i Chicago. Kvalifiserte kontrollene hadde minst to negative biopsier etter indeks biopsi, ingen PSA 10 ng /ml, og ingen historie med anti-hormonell terapi, inkludert 5α-reduktasehemmere. Vi Feulgen-farget den negative indeksen vevsprøver og hentet kjernefysiske morfometriske funksjoner som beskrevet ovenfor. Vi så beregnet montert MFS
p score for hvert fag ved hjelp av både bakover eliminering og best delsett modeller tidligere utledet fra diskriminering av godartede og kreft cellepopulasjoner i prostatektomi prøvene. For begge modellene, vi beregnet AUC og 95% konfidensintervall for diskriminerende saker fra kontroller, og utførte en paret t-test for matchet data.
Resultater
Figur 1 viser prosessen for å få pixel-for-pixel kart for hver kjerne basert på optisk tetthet avledet fra DNA-innhold. Hele lysbilde skannede bilder av Feulgen-farget kjerner er delt inn subimages (Figur 1a) som hver inneholder ca 5.6K piksler. Den tilhørende binære bildet, laget av k-means, er vist i figur 1b. Figur 1c viser samme subimage etter vannskille segmentering og indikerer hvor godt segmentert epitelceller kjerner kan pekes enten manuelt eller automatisk. Figur 1d viser tre-dimensjonale plott av pikselkart for kjerner fra godartede og kreftområder, henholdsvis.
Figur 2 viser de relative frekvenshistogrammene for en atom-nivå multifeature score (MFS
n) hentet fra kjerner i ulike histologiske avdelinger fra 20 RP og 8 cystoprostatectomy prøver; hvert kammer er representert ved i det minste flere hundre kjerner. Den logistiske modellen brukes til å generere MFS
n score inkludert 27 kjernefysiske egenskaper og var basert på diskriminering mellom tilfeldige PCA kjerner og godartede kjerner fjernt fra kreft (Normal Far) i de 20 RP tilfeller. MFS
n, som er den anti-logaritmiske logges fra den logistisk modell, er ekvivalent med sannsynligheten for at en kjerne med et gitt sett av funksjonsverdier er en kreft kjernen, og således i området fra 0 til 1.0. Frekvensen fordelingen av MFS
n skift til venstre som en utvikler seg fra Gleason 5 til Gleason 3 til HGPIN og fortsetter å skifte mot venstre for kjerner som ligger nær eller langt fra en kreft fokus, eller er hentet fra kreftfrie prostata (overnaturlig). Frekvens distribusjoner for Normal Far kjerner ( 5 mm fra PCA fokus) er signifikant forskjellig fra begge de andre godartede typer kjerner (Kolmogorov-Smirnov D statistikken
P
0,0001)
.
Montert multifeature score ble generert for hver kjerne fra en logistisk regresjonsmodell sammenligne alle kreft kjerner til normal-langt kjerner ( 5 mm fra en kreft fokus) fra 20 prostatektomi prøver, med 27 kovarianteffekter valgte funksjoner ved baklengs eliminering. Poeng ble beregnet for bestander av kjerner hentet fra bestemte histologiske avdelinger i 20 RP og 8 cystoprostatectomy prøver. Frekvens distribusjoner for normal-langt kjerner er vesentlig forskjellige fra hverandre godartet type (Kolmogorov-Smirnov D statistikken 0,0001).
Typiske frekvensfordelinger av MFS
n for bestander av godartet og PCA kjerner fra samme pasient, er vist i sidestilling på figur 3. verdiene for kreft kjerner er generelt forskjøvet til høyre, men det er også klart at variasjonen i stillingen er større for kreft sammenlignet med benigne kjerner. Befolkningsnivå logistiske modeller tillate oss å utnytte dette avviket karakteristisk i diskriminerende kreft fra godartede grupper av kjerner. Figur 4 viser boksplott for MFS
p fra to-trinns modeller med bare to kovariater: gjennomsnitt og standardavvik for MFS
n for en gitt populasjon av kjerner. Data i boksplott kommer fra de 20 RP fagene pluss 8 med cystoprostatectomy; gjennomsnitts MFS
p skår for de 11 RP fag i valideringssettet er representert med stjerner. Resultatene tyder på at Normal nærheten atom bestandene er en mellomting mellom Normal Far og kreft, som Naturlige populasjoner har lavere score enn normalt Far, og at HGPIN atom bestandene er lik cancer. De gjennomsnittlige MFS
p score for kjerner hentet fra en ekstern validering sett prostatektomi fag med PCa bekrefte det samme forskjellen mellom nærheten vs. Far kjerner og likheten mellom HGPIN og PCA kjerner.
MFS
n score er flyttet oppover for kreft kjerner som forventet; Men varians for MFS
n er også større blant kreft kjerner, noe som reflekterer pleomorphism.
Det gjennomsnittlige MFS
p score for atom populasjoner fra de 11 validerings RPs vises med stjerner. De MFS
p skår ble hentet fra en logistisk regresjonsmodell med bare to kovariater: bety MFS
n og S.D. MFS
n. MFS
n score ble samlet inn en 27-kovariat logistisk modell med funksjoner som er valgt av baklengs eliminering.
Tabell 1 viser AUC for trening og validering satt diskriminering av kreftcelle fra godartede cellepopulasjoner i prostatektomi eksemplarer ved hjelp av to ulike modeller for å beregne MFS
p. Model A, som brukte en vanlig baklengs eliminering prosedyre for å velge de fem beste kovariater, hadde en kryssvalidering AUC = 0,87 i treningssettet og AUC = 0,83 i den uavhengige valideringssettet. Modell B, avledet ved å sammenligne alle mulige undergrupper med fem eller færre kovariater basert på leave-one-out kryssvalidering, hadde AUC = 0,91 og 0,79 i trening og valideringssett, henholdsvis. De valgte funksjoner og deres standardiserte koeffisienter for den endelige baklengs eliminering og beste undergruppe MFS
p modeller (Modeller A og henholdsvis B,) er vist i supplerende tabell S3.
deretter sammenlignet bestander av kjerner fra matchet par av negative biopsier der saken lagt senere hadde en diagnose av PCa og kontroll forble kreft-fri. Atom populasjoner fra hvert fag ble tildelt utstyrt MFS
p score basert på modell A og modell B; dermed disse modellene ble utviklet ved hjelp av helt uavhengige prøvesett fra prostatectomies stedet biopsier. AUC og paret T testresultater er vist i tabell 2. Begge modellene viste signifikante forskjeller mellom saker og kontroller, med saker som har en mer kreft-lignende atom morfometrisk signatur.
Diskusjoner
i denne studien har vi utviklet og validert en kjernefysisk morfometrisk poengsum, basert på direkte DNA flekker, som nøyaktig diskriminert godartet fra kreftkjerner i prostatavevet. Dette resultatet karakteriserer en felteffekt i histologisk benigne epiteliale cellekjerner ved ulike avstander fra en kreft fokus, og er forbundet med etterfølgende påvisning av PCa i et uavhengig sett av negative biopsier. Det er viktig å merke seg at de enkelte kjerne bilder ble oppnådd med hele glide avbildning ved 400 x. Således, var vi i stand til effektivt å fange opp et stort antall av epitel-kjerner fra hver vevsprøve ved en forstørrelse som gir mulighet for betydelig detalj angående kjernefysisk størrelse, form og DNA tekstur. Gitt piksel-nivå kart som viser den romlige fordelingen av DNA i hver kjerne, er det mulig å generere en nesten ubegrenset bibliotek av morfometriske egenskaper. I tilnærmingen presenteres her, er dette agnostiker bibliotek minelagt for å avgjøre redusert sett med funksjoner for modeller som skiller godartet fra ondartede celler. Basert på en forutsetning om at det er et kontinuum i utviklingen av atom form og tekstur i kreftutvikling, de resulterende multivariable score en kontinuerlig indeks for «kreft-ness» av hver kjerne, og dermed den kollektive «kreft-ness» for alle populasjon av kjerner. Generelt kreftrelaterte funksjoner observert av digital analyse er rett og slett subvisual utvidelser av kjernefysiske endringer som er godt anerkjent for det menneskelige øyet under mikroskopet: kreft kjerner er litt større og har en mer clumped eller uregelmessig fordeling av kromatin. Videre alle funksjonene som inngår i den mest nøyaktige modellen vi fant var knyttet til graden av avviket mellom kjerner, og dermed støtter lang holdt visninger blant patologer omkring betydningen av kjernefysisk pleomorphism i kreftdiagnose.
studien bygger på en rekke tidligere innsats som har søkt digital kjernekraft morfometri til spørsmål som involverer risiko og prognose i brystkreft [10], livmorhals [2], orofarynx /lunge [11], tykktarm [12], hud [13] og prostata . I prostata, er atom morfometri vist seg å detektere abnormaliteter i godartet vev tilstøtende til kreft og HGPIN [14], [15]. Våre data viser mer bevis på en kreft fenotype i kjernen i løpet av 1 mm fra en neoplastisk lesjon, sammenlignet med de i det minste 5 mm fjernt; men antyder tidligere data som disse avvikene kan gi opp til 10 mm fra kanten av en lesjon [16]. Mairinger og medarbeidere fysisk hentet godartede kjerner fra parafin-embedded vev, og ved hjelp Feulgen-farget Cytospin forberedelser, rapporterte at en kombinasjon av tre kromatin tekstur har kunne nøyaktig skille saker med PCa fra de med bare BPH [15]. Spesielt to av disse tre beste diskriminerende funksjoner reflektert inter-kjernen variasjon fremfor middelverdier. Bortsett fra eksistensen av et felt effekt i godartet vev, har flere studier brukt atom morfometri av tumor og tumor-tilstøtende kjerner til å diskriminere undergrupper av PCA pasienter i henhold til sannsynligheten for progresjon, mens på aktiv overvåking, PSA tilbakefall, metastaser eller PCa spesifikke død [17], [18], [19], [20], [21]. Igjen, varians funksjoner reflekterer ustabilitet spille en fremtredende rolle i disse modellene, som de gjør i våre resultater.
De biologiske mekanismene som er ansvarlig for endringer i atomstrukturen som oppstår før utseendet av histologisk gjenkjennelige neoplasi er ikke godt forstått . Imidlertid kan flere prosesser være innblandet. Først overgangen fra løs eukromatin til mer kompakt heterochromatin er en viktig mekanisme for modulering av genekspresjon som styres til en viss grad ved kovalent modifikasjon av histon haler. Mønstre av global histone modifikasjon, ved acetylering eller metylering, er identifiserbare ved PCA og har vært assosiert med tumor aggressivitet [22], [23]. Mahmoud, et al observert redusert global acetylering på histon 3 lysin 9 (H3K9ac) i PIN og PCa forhold til BPH vev, og videre observerte likheter i H3K9ac uttrykk mellom PIN og normale celler lokalisert i nærheten av en PIN lesjon [24]. Det er også bevis for at p300, en transkripsjonen ko-aktivator av androgen-reseptor, kan forandre atomstrukturen i prostataceller gjennom dens aktivitet som et histon acetyltransferase eller gjennom dens virkning på ekspresjonen av nukleære matriksproteiner som lamin A og C [25] . Isharwal, et al. rapportert en sammenheng mellom spesifikke atom morfometriske funksjoner og p300 uttrykk [26]. Uregelmessigheter i den kjernefysiske konvolutten, inkludert infolding og avganger fra en sfærisk form, er en lang observert karakteristisk for PCA celler, men årsakene til avviket og dets funksjonelle betydning er i stor grad ukjent [27]. Nyere bevis indikerer at ekspresjon av myc onkogenet spiller en viktig rolle i modulering av nukleolært størrelse, form og antall i de tidlige fasene av prostata kreft [28]. Rollen av svulsten mikromiljøet og parakrin signalering må også tas i betraktning, da en lokalisert sår reaksjon kan føre forandret genekspresjon i godartet stroma ved siden av PCA lesjoner [29]. Disse effektene på stromal feltet kan indusere subtile morfologiske endringer i benign epitel, inkludert endringer knyttet til epithelial-til-mesenchymal transformasjon [30].
Denne studien legger til feltet ved systematisk å identifisere prostata kreft-assosiert kjernefysiske endringer i godartet epitel ved hjelp av en allment tilgjengelig digitalt mikroskop plattform. Dens styrke inkluderer validering med uavhengige sett med radikal prostatektomi og cystoprostatectomy prøver, samt en case-control-analyse som sammenligner negative biopsier fra pasienter som enten har eller ikke senere opplever PCA diagnose. Gitt det store antallet potensielle prediktorer for ett-trinns MFS
p og relativt lite antall pasienter (28) i vår treningssettet, er det fullt mulig at andre kombinasjoner av funksjoner kunne ha gjort like godt eller bedre enn de i vår endelige modellen. Derfor er det viktig å merke seg at vi brukte en effektiv leave-one-out kryssvalidering tilnærming (ligner bootstrap resampling) for å velge modeller og at målet vårt var ikke nødvendigvis å finne den absolutt beste modellen, men å validere våre utvalgte modeller i uavhengige sett med bilder. De endelige modellene, som ble hentet fra prostatektomi prøver, ikke bare produsert risiko score som var assosiert med kreft i uavhengige prostatektomi prøver, men også viste en sammenheng med kreftrisiko i biopsiprøver. Vår teknikk bevisst utelatt basale epitelceller kjerner, og tillatt for objektiv valg av et stort antall luminal cellekjerner fra hver prøve.
