Melanoma is an immunogenic cancer with a high response rate to immune checkpoint inhibitors (ICIs). It harbors a high mutation burden compared with other cancers and, as a result, has abundant tumor-infiltrating lymphocytes (TILs) within its microenvironment. However, understanding the complex interplay between the stroma, tumor cells, and distinct TIL subsets remains a substantial challenge in immune oncology. To properly study this interplay, quantifying spatial relationships of multiple cell types within the tumor microenvironment is crucial. To address this, we used cytometry time-of-flight (CyTOF) imaging mass cytometry (IMC) to simultaneously quantify the expression of 35 protein markers, characterizing the microenvironment of 5 benign nevi and 67 melanomas. We profiled more than 220,000 individual cells to identify melanoma, lymphocyte subsets, macrophage/monocyte, and stromal cell populations, allowing for in-depth spatial quantification of the melanoma microenvironment. We found that within pretreatment melanomas, the abundance of proliferating antigen-experienced cytotoxic T cells (CD8+CD45RO+Ki67+) and the proximity of antigen-experienced cytotoxic T cells to melanoma cells were associated with positive response to ICIs. Our study highlights the potential of multiplexed single-cell technology to quantify spatial cell-cell interactions within the tumor microenvironment to understand immune therapy responses.

Abstract High-parameter multiplex immunostaining techniques have revolutionized our ability to image healthy and diseased tissues with unprecedented depth; however, accurate cell identification and segmentation remain significant downstream challenges. Identifying individual cells with high precision is a requisite to reliably and reproducibly interpret acquired data. Here we introduce CIRCLE, a cell identification pipeline that combines classical and modern machine learning-based computer vision algorithms to address the shortcomings of current cell segmentation tools for 2D images. CIRCLE is a fully automated hybrid cell detection model, eliminating subjective investigator bias and enabling high-throughput image analysis. CIRCLE accurately distinguishes cells across diverse tissues microenvironments, resolves low-resolution structures, and can be applied to any 2D image that contains nuclei. Importantly, we quantitatively demonstrate that CIRCLE outperforms current state-of-the-art image segmentation tools using multiple accuracy measures. As high-throughput multiplex imaging grows closer toward standard practice for histology, integration of CIRCLE into analysis protocols will deliver unparalleled segmentation quality.