Sep, 2021

自监督学习提高了多种癌症组织学幻灯片中的 dMMR/MSI 检测

PDF
TL;DR本研究采用自监督学习方法，通过在来自 TCGA 数据集的组织学图像上训练神经网络，实现对 MSI 肿瘤的准确检测，相较于以往对 ImageNet 预训练的神经网络的结果，获得了更高的 AUC 值，实验表明 MoCo V2 特征更能准确地检测 MSI 且具有较好的泛化能力。
microsatellite instabilitydeep learningh&e stained slidesself-supervised learninghistology images
发现论文，激发创造
  • 基于深度学习的前列腺癌全切片图像微卫星不稳定性预测器的开发和验证

    我们开发和验证了一个基于人工智能的 MSI-H 诊断模型，该模型在大规模真实世界的常规 H&E 标本中进行了泛化，并有效应用于外部染色和扫描样本以及独立验证队列，有潜力将前列腺癌患者引向免疫疗法，并鉴定 Lynch 综合征次要的 MSI-H 病例。

    Oct, 2023

  • $M^{2}$Fusion：基于贝叶斯的多模态多级融合在结直肠癌微卫星不稳定性预测中的应用

    提出了一种基于贝叶斯的多模态多层融合技术，将病理 WSI 和三维影像 CT 图像相融合，用于预测结直肠癌微卫星不稳定性，通过特征级和决策级融合策略，在交叉验证中验证并改进了 MSI 预测的性能。

    Jan, 2024

  • 基于 H&E 染色图像的临床信息启发的多实例学习框架用于患者级别结直肠癌分子亚型分类的研究

    通过使用深度神经网络（DNN）和多示例学习技术（MIL），结合临床先验知识，构建了一个名为 “CIMIL-CRC” 的模型，用于鉴别结直肠癌的亚型，结果显示其在区分不同亚型及患者级别分类方面表现优异。

    Jan, 2024

  • DeepSMILE: 自监督异质感知多实例学习用于基于 H&E 全切片图像的 DNA 损伤响应缺陷分类

    提出了 DeepSMILE，一个深度学习弱标签学习方法，用于需要分析 Hematoxylin 和 Eosin 染色的肿瘤细胞的 WSI，无需像素级或瓦片级注释，使用自监督预训练和异质性感知的深度多实例学习进行学习，用于 HRD 和 MSI 预测，将其与最先进的基因组标签分类方法进行比较，DeepSMILE 在多中心乳腺和结直肠癌数据集中提高了 HRD 和 MSI 的分类性能。

    Jul, 2021

  • 自监督技术弥合组织学中弱监督和强监督之间的差距

    本研究使用自监督学习算法 MoCo v2 在组织病理学图像上进行了领域内特征提取训练，获得了比 ImageNet 预训练的特征提取器更好的性能，提高了半监督学习在组织病理学中的性能，同时展示了该特征提取器学到的组织结构嵌入空间具有生物学意义上的解离性。

    Dec, 2020

  • 基于 Momentum 对比学习和组补丁嵌入的全幻灯片图像患者级微卫星稳定性评估

    通过动量对比学习补充卷积神经网络、传输学习提出的小块级别分类和患者级别聚合的模式，从而更精确的评估患者结直肠癌的微卫星稳定状态

    Aug, 2022

  • 结直肠癌组织学切片多任务学习的组织分割和肿瘤检测

    使用 U-Net 多任务模型结合颜色和统计学增 & 测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在 CRC 检测（SemiCOL）2023 挑战上，该方法在被部分标注的数据集上取得了.8655 的 Dice 分数（Arm 1）和.8515 的 Dice 分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的 AUROC 值。

    Apr, 2023

  • 利用多个实例学习在整个切片图像中找到感兴趣区域

    通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

    Apr, 2024

  • 分而治之：自我监督学习在结直肠癌生存分析中的应用

    本研究旨在通过自我监督学习方法，学习肿瘤组织内的组织病理模式，以优化结直肠癌的预后分层，并通过新的数据集、患者预后模型和实验证明了其效果优于现有深度聚类方法。

    Jul, 2020

  • 联合多任务学习改进计算机病理学中的弱监督生物标记物预测

    通过弱监督的方式，我们开发了一个联合多任务 Transformer 架构，用于预测肿瘤学领域的两个关键预测生物标志物：微卫星不稳定性和同源重组缺陷，并通过辅助回归任务相关于肿瘤微环境，对此进行了培训和评估。使用我们的新方法，在外部队列中，相对于接收器操作特性下的最佳结果，对于预测微卫星不稳定性和同源重组缺陷，分别提高了 7.7％和 4.1％，同时通过 8％和 5％的更好嵌入聚类获得了更好的结果。

    Mar, 2024