PRODUCT SEARCH產品搜尋

PRODUCTS產品系列

DETAILS品牌介紹

Indica Labs

Indica Labs提供病理影像分析的全套解決方案，包括可進行高通量、全景組織分析的病理影像分析平台HALO®和人工智慧組織分型系統HALO AI™、以及用於影像和資料協作式管理的HALO Link™系統。憑藉無與倫比的易用性和可擴展性，遍布全球的製藥公司、生物技術企業、醫療及科研機構，在免疫學、腫瘤學、移植科學、神經科學、眼科學、代謝體學、呼吸和毒性病理學等領域進行廣泛的研究應用。從生物標記物的探索，到轉譯醫學研究和臨床試驗；從組織學定量分析、人工智慧組織分類，到影像共享管理，實現數位病理學工作流程的無縫對接，提供定量病理研究的一站式解決方案。《Indica Labs台灣代理找弘晉》

產品清單

產品系列

產品詳細介紹Product Introduction

HALO^®

HALO^®數位病理影像分析平台是專業的病理影像處理及分析軟體，具有簡單易用的操作介面，快速分析及高通量的工作流程，為數位病理的全組織切片分析提供逐個細胞/物件的精準數據結果。針對H&E染色、免疫組織化學、免疫螢光、原位雜交、螢光原位雜交、TMA組織晶片及特殊染色等數位病理切片，HALO^®提供組織分型、區域面積定量、細胞核/質/膜免疫標記定量、細胞及組織特徵的空間分佈分析。有效解決從實驗室基礎研究到臨床研究過程中的影像處理與結果分析，可因應實驗室多平台相容、多分析條件的研究需求，為各類製藥公司、生技企業、醫療及科研機構等提供產品服務，同時可加速新藥的研發速度並縮短疾病的研究耗時。

[ 功能簡介 ]

1.染色訊號自動拆分
一鍵自動進行不同染色訊號的拆分，取得每個染色的單一染色影像，最多可在同一張組織影像（可見光）進行5種顏色的分割。

2.即時預覽視窗
即時套用並顯示當前分析結果，快速對分析參數進行最佳化調整。

3.圖像組合生成
快速生成組合圖像及文件，可用於PPT報告及文獻發表。可自行設定組圖行列、字體、顯示比例尺、添加圖像參考框等，以及可自訂圖像解析度、尺寸及檔案格式。

4.靈活方便的圈選工具
自動圈選並標記不同組織區域及產生多個圖層（黃、綠、紅色實線表示不同圖層）。

5.自動辨識組織區域
自動對組織玻片進行品管,預訓練的演算法自動辨識組織區域，排除筆跡，染色液殘留物，氣泡等（僅用於明場影像）。

6.HALO^®辨識圖示結果


7.組織圖層厚度檢測
測量特定組織或組織區域的厚度，如視網膜神經纖維層厚度分析或皮膚表皮層的厚度。

陰道上皮層及間質區域，辨識出上皮層輪廓後，以50 μm的檢測間隔，使用HALO自動測量無核層及有核層的厚度。

模組名稱	模組圖示	模組描述
組織分型		藉由實例學習方法，在整個組織玻片中區分各組織類別，如腫瘤區塊和間質組織。可與其他模組聯合使用，以選擇特定的組織類別進行深度分析。
組織微陣列分析		可將TMA分割成單一孔洞組織，以便進一步分析。手動建立TMA模版或從電子表格匯入，可移除缺陷組織的孔洞或陰影，並進行單一孔洞分析或所有TMA孔洞批次分析。
面積定量 (可見光)		定量分析單張組織中最多五種染劑的陽性染色區域面積和訊號密度，並根據染色強度（陰性、低陽性、中陽性或高陽性）來定量每種染色的面積、陽性比率、平均訊號密度及染色共同表達區域
面積定量 (螢光)		定量分析無限種螢光染色的陽性染色區域面積和訊號強度。根據螢光強度（陰性、低陽性、中陽性或高陽性）來定量每種染色的面積、陽性比率、平均訊號強度及染色共同表達區域
組織IHC定量		定量一種或最多四種任何細胞區室（細胞核、細胞質和細胞膜）的IHC抗體染色標記，可將陽性細胞依染色強度進行細胞分級（1+、2+、3+）並給予H-Score評分。
螢光定量		定量無限種螢光染色標記的任何細胞區室（細胞核、細胞質和細胞膜）免疫螢光標記陽性表達，可將陽性細胞依螢光強度進行分級（1+、2+、3+）並給予H-Score評分。
ISH定量		專為RNAscope™設計。定量整張組織切片上最多三種探針訊號。分析每個細胞內的探針訊號數量，並根據探針訊號點的拷貝數對細胞進行分類（1+、2+、3+、4+）。可用於分析CISH、SISH和RNA-ISH。
FISH定量		專為RNAscope™設計。定量整張組織切片上一種或無限種探針訊號。分析每個細胞內的FISH探針訊號數量，並根據探針訊號點的拷貝數對細胞進行分類（1+、2+、3+、4+）。
ISH-IHC定量		專為RNAscope™設計。定量一個或兩個原位雜交（ISH）探針訊號和蛋白質（IHC）標記物表達，以確定特定細胞群中的RNA表達。分析每個細胞內的探針訊號數量，並根據每個細胞中探針訊號點的拷貝數對細胞進行分類（1+、2+、3+、4+）。
FISH-IF定量		專為RNAscope™設計。在每個細胞上檢測無限數量的螢光原位雜交探針之拷貝數，或蛋白質的表達強度及共同表達。分析每個細胞內的FISH探針訊號數量，並根據每個細胞中探針訊號點的拷貝數對細胞進行分類（1+、2+、3+、4+）。
微血管定量 (可見光)		計數可見光組織影像中的目標物（如血管、導管等），並測量每個物體的數量、面積、密度、內徑、外徑、直徑和平均光密度等特徵。若具兩種以上目標物，可定量分析最多5種目標物的共同表達特徵。
微血管定量 (螢光)		計數螢光組織影像中的目標物（如血管、導管等），並測量每個物體的數量、面積、密度、內徑、外徑、直徑和平均螢光強度等特徵。若具兩種或以上目標物，可定量分析無限種目標物的共同表達特徵。
鄰近目標分析		分析目標細胞或物體，其鄰近的其他細胞及物體的數量、平均距離等資訊。
浸潤分析		計算目標邊界範圍內的細胞、物件數量、密度等資訊。

[RNAscope™高效率自動化分析]

1.ISH/FISH定量分析

研究單一細胞層面上RNA的表現，可以得到細胞基因表達的重要資訊。Advanced Cell Diagnostics (ACD) RNAscope™可在檢測特定基因表現的同時，保留了細胞組織學上的資訊。HALO^®為RNAscope™的結果提供了客觀的定量分析檢測，實現單一細胞的分析應用，使病理學家能更方便、快速對病理組織的單一細胞基因表現進行定量檢測。

ISH QUANTIFICATION

圖A：RNAscope™檢測非小細胞肺癌，免疫染色標記PD-L1（綠色）和CTLA4（紅色）；

圖B：HALO^®檢測每個細胞內的探針訊號拷貝數，不同的顏色深淺代表不同的細胞分級，細胞標記的顏色取決於其表達紅色和綠色探針的數量。細胞質邊緣標示為黑色，其粗細可由使用者自行定義。

MULTIPLEX FISH QUANTIFICATION

圖A：RNAscope™檢測健康小鼠大腦紋狀體中的Drd1（紅色）和Drd2（綠色），HALO^®分析影像並標記出兩個不同區域中的探針和細胞檢測。細胞標記的顏色取決於其探針表達的數量；
圖B：HALO^®根據細胞分級自動產生直方圖。

2.ISH-IHC/FISH-IF雙重標記分析

RNA原位雜交（ISH）和免疫組織化學（IHC）染色是在形態學下對RNA和蛋白質表達進行定量的檢測方法。以HALO^®定量分析ISH-IHC或FISH-IF雙重標記的結果，可用於確認分泌蛋白的來源、複雜組織的結構、研究基因表現的調控、評估基因治療以及抗體驗證等應用。

ISH-IHC QUANTIFICATION

圖A：RNA ISH探針（紅色）與CD3蛋白染色（綠色）雙重標記；
圖B：HALO^®分析並標記CD3陰性細胞（藍色）與陽性細胞（綠色）。

FISH-IF QUANTIFICATION

圖A：RNA FISH探針（紅色）與DAPI細胞核IF染色（藍色）雙重標記；
圖B：HALO^®分析並標記FISH探針訊號（粉紅色）與細胞（藍色）。

jjjjj
jjjjj

HALO AI™

＂讓人工智慧在病理學家手中發揮出強大功能＂

HALO AI™採用高級神經網路演算法的分型工具，搭載組織及細胞層級的深度學習分類演算法，可處理比其他機器式學習或模式辨認演算法更複雜的分類工作。無需任何程式設計的經驗或人工智慧的知識，在定義所需的組織/細胞類別後，透過病理學家的標記對卷積神經網路進行訓練，快速對全組織切片或ROI區域進行精準分類，處理診斷病理學中普遍存在的異質性。

[HALO AI™組織層級分類與應用實例]

檢測腎臟組織切片中的腎小球

圖1：在IHC（A、D）、銀染（B、E）及Masson三色染色（C、F）的組織玻片上進行腎絲球檢測。在銀染玻片中，腎小球和腎小管的顏色及形態變化較大，但在IHC和H&E等染色切片中，腎小球和腎小管中的細胞幾乎沒有顏色對比。HALO AI™ DenseNet經過訓練後，能夠在不同染色的玻片上快速辨識腎臟中的腎小球。

分類H&E染色乳癌組織切片中的腫瘤、間質和淋巴球

圖2：HALO AI™ MiniNet將乳癌組織依顏色分類（腫瘤：紅色；淋巴球群：藍色；間質：綠色）。

利用HALO AI™對乳癌轉移進行辨識與分期

乳癌淋巴結轉移對乳癌患者的治療選擇和預後具有重要的臨床意義。目前臨床上，對於轉移的辨識和分期需要病理學家對淋巴結切片進行徹底的顯微鏡評估，是一項耗時費力的工作。
HALO AI™以全自動方法來辨識和分期乳癌轉移組織，能夠對每個切片中的所有轉移性腫瘤細胞進行辨別，根據腫瘤區域的大小，將每個淋巴結分類為陰性、分離腫瘤細胞、微量轉移或巨量轉移，並依淋巴結受腫瘤影響個數和轉移腫瘤大小的程度，評估pN病理分期。

圖3：HALO AI™分析H＆E完整切片影像，在組織的方框區域中發現腫瘤細胞。HALO AI™標記影像顯示於右側，腫瘤細胞以紅色顯示，正常淋巴結組織以黃色顯示。

建立兩步驟深度學習的方法以檢測肺癌淋巴結轉移
使用深度學習演算法檢測肺癌淋巴結轉移，假陽性預測是不可忽視的問題，特別是在反應性濾泡的情況下。使用HALO AI™開發一種新的兩步驟深度學習演算法，先圈選經常被分類錯誤的非癌症組織區域（淋巴濾泡），再檢測癌細胞，該演算法有效解決假陽性檢測的問題，同時準確分析淋巴結組織中的肺癌轉移。

圖4：採用兩步驟深度學習演算法［淋巴濾泡卷積神經網路（LFCNN）＋腫瘤檢測卷積神經網路（TDCNN）］檢測各種尺寸的肺癌淋巴結轉移。
圖A、B：淋巴結巨量轉移及HALO AI™檢測結果；圖C、D：淋巴結微量轉移及HALO AI™檢測結果（箭頭所示為LFCNN演算法排除的淋巴濾泡區域，以便在TDCNN演算法檢測時進行排除）；圖E、F：孤立性淋巴結腫瘤細胞及HALO AI™檢測結果（腫瘤：紅色；非腫瘤區域：黃色）。

辨認高分化神經內分泌腫瘤的原發部位

圖5：HALO AI™分析胰臟來源的分化神經內分泌腫瘤（WDNET）。圖a：原始組織影像，黃線標示胰臟來源的WDNET組織邊界；圖b：HALO AI™經訓練後的組織分型（胰臟來源腫瘤區域：黃色；胃：深綠色；十二指腸：亮綠色；肺：藍色）。

圖6：HALO AI™分析十二指腸來源的WDNET。
圖a：原始影像；圖b：HALO AI™經訓練後的組織分型圖（十二指腸來源腫瘤區域：亮綠色；胰臟：黃色；肺：藍色）。

區分胃切片中由幽門螺旋桿菌引發的胃病

圖7：HALO AI™準確區分胃切片中由幽門螺旋桿菌引發的胃病（圖A、B）、反應性胃病（圖C、D）以及正常胃黏膜的組織（圖E、F）。

辨認非酒精性脂肪肝炎中的發炎細胞