Los avances recientes en la imagen de multiplex han permitido a los investigadores localizar diferentes tipos de células dentro de una muestra de tejido. Esto es especialmente relevante para la inmunología tumoral, ya que los regímenes clínicos correspondientes a diferentes etapas de la enfermedad o respuestas al tratamiento pueden manifestarse como diferentes arreglos espaciales de células tumorales e inmunitarias. La modelización de patrones de puntos espaciales puede utilizarse para particionar imágenes de tejido multiplex según estos regímenes. Con este fin, proponemos un enfoque de dos etapas: primero, se estiman las intensidades locales y las funciones de correlación por pares a partir del patrón de puntos espaciales de las células dentro de cada imagen, y las funciones de correlación por pares se reducen en dimensión mediante descomposición espectral de la función de covarianza. En segundo lugar, las estimaciones se agrupan en un modelo jerárquico bayesiano con etiquetas de clúster dependientes del espacio. Los clústeres corresponden a regímenes de interés que están presentes en diferentes sujetos; las etiquetas de clúster segmentan los patrones de puntos espaciales según esos regímenes. A través del muestreo de la cadena de Markov Monte Carlo, estimamos y cuantificamos conjuntamente la incertidumbre en la asignación del clúster y las características espaciales de cada clúster. Las simulaciones demuestran el rendimiento del método, y se aplica a un conjunto de imágenes de inmunofluorescencia multiplex de tejido pancreático enfermo.
Sheng et al. (Tue,) estudiaron esta cuestión.