深度学习驱动的1型糖尿病自然病程中内分泌细胞和CD3+ T细胞定量分析

目的/假设：在1型糖尿病中进行组织病理学分析，通过全玻片图像（WSIs）实现细胞定量以进行精确表征存在挑战。为确保全面理解内分泌细胞的变化，本研究利用预训练的深度学习辅助分析工作流程，以增强对来自对照、自身抗体阳性和1型糖尿病器官捐献者的胰腺中1型糖尿病发展的组织病理学特征的理解。方法：对来自32名自身抗体阴性对照捐献者、12名单一自身抗体阳性（sAAb+）捐献者、8名多重自身抗体阳性（mAAb+）捐献者、6名新发1型糖尿病（病程0-1年）捐献者和19名长期1型糖尿病捐献者的胰腺切片（头、体、尾区域）进行了胰岛素（INS）、胰高血糖素（GCG）和CD3免疫组织化学染色分析。内分泌细胞群（即细胞簇[<1000μm2]和胰岛[≥1000μm2]）通过预训练的Segment Anything模型进行分割，随后使用QuPath像素分类器对这些结构内的INS+和GCG+细胞区域进行精确分割。对位于每个内分泌细胞群20 µm外周内的CD3+细胞进行定量。应用序数回归评估疾病分期相关模式在量化预测因子中的表现。使用Kruskal-Wallis检验比较五个捐献者组间的差异。对于配对比较，则进行了经Bonferroni校正的Wilcoxon秩和检验。结果：从77名捐献者的总共231张WSIs中，分析了>82,000个胰岛和>26,000个细胞簇。在序数回归中，INS和GCG的分数面积是预测1型糖尿病进展的最显著预测因子。胰岛中的CD3+免疫细胞浸润与1型糖尿病进展高度相关。胰岛和细胞簇中的浸润在疾病发病时达到峰值，随后下降，表明这些结构是自身免疫过程中的同步靶点。甚至在1型糖尿病发病前就存在明显的胰岛炎性细胞簇，强调了这些结构在自身免疫过程中的早期参与。结论/解释：基于深度学习的方法使我们的研究能够纳入散布在WSIs中的内分泌细胞簇，提供了细胞簇水平浸润的精确定量证据。在胰岛和细胞簇中识别自身免疫模式，同时量化各捐献者组和胰腺区域的β细胞和α细胞，为更详细地理解1型糖尿病发病机制提供了依据。我们的研究结果为甚至在1型糖尿病发病前就存在的细胞簇水平浸润提供了有力证据，支持了保护β细胞的早期干预努力。