基于人工智能的快速、无标记光学成像分析散发性神经胶质瘤分子分类
近年来,诊断胶质瘤变得越来越复杂。通过现代机器学习技术对胶质瘤组织进行组织学评估为支持诊断和预测结果提供了新机会。本综述通过对 70 项公开的基于机器学习的染色人类胶质瘤组织切片分析研究进行概述,包括亚型划分(16/70)、分级(23/70)、分子标记预测(13/70)和生存预测(27/70)。当前研究的重点是对成人型弥漫性胶质瘤的苏木精和伊红染色组织切片的评估。大多数研究(49/70)基于公开数据集,包括癌症基因组图谱(TCGA)的胶质母细胞瘤和低级别胶质瘤数据集,只有少数的研究孤立地使用其他数据集(10/70)或者与 TCGA 数据集同时使用(11/70)。目前的方法主要依赖于卷积神经网络(53/70)对 20 倍放大率的组织进行分析(30/70)。一个新的研究领域是整合临床数据、组学数据或磁共振成像(27/70)。到目前为止,基于机器学习的方法已取得了有希望的结果,但尚未在真实临床环境中使用。未来的工作应集中在使用大型、多中心、具有高质量和最新的临床和分子病理学注释的独立验证方法上,以证明其日常应用性。
Jan, 2024
该论文提出了一个基于机器学习的系统,通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全,且能提供大量的患者信息,包括肿瘤的大小、位置和严重程度等。研究结果表明,该系统准确率高、高效且易于使用。
Apr, 2023
本研究开发了一种基于人工智能技术的诊断解决方案,可自动分割脑肿瘤亚区并预测 MGMT 甲基化状态,以帮助医生进行更好的治疗规划并改善患者的生存率。
Mar, 2022
针对脑癌中最具侵略性和最致命的类型之一,我们提出了一种新的方法,BRAINNET,利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜,该方法在 MRI 图像中获得了前所未有的高准确率。
Nov, 2023
使用 5-ALA 辅助荧光引导,通过高光谱成像对 184 名患有低级别和高级别胶质瘤以及其他脑肿瘤的患者的 891 个高光谱测量进行了评估,训练了四个机器学习模型以进行肿瘤分类和辨别,结果表明五个发光物质在不同组织类型中的丰度存在差异,并展示了作为光学生物标志物具有潜在价值,为荧光引导神经外科手术中的围手术期分类系统提供了新机遇。
Nov, 2023
该研究使用多个特征提取器和聚合器,通过对脑瘤组织病理学进行多实例学习实验,为精确诊断和个体化治疗策略提供了更新的性能基准,包括在印度人群中的新数据集 (IPD-Brain) 。利用经过组织病理学数据预训练的 ResNet-50 进行特征提取,并结合 DTFD 特征聚合器,该方法在三种脑胶质瘤亚型分类上分别在 IPD-Brain 和 TCGA-Brain 数据集上取得了 88.08 和 95.81 的 AUC 值。此外,该研究通过 H&E 染色全切片图像在 IPD-Brain 数据集上建立了基于分级和检测 IHC 分子生物标记物(IDH1(突变 R132H),TP53,ATRX,Ki-67)的新基准,并突出了模型决策过程与病理学家诊断推理之间的显著相关性,强调了其模拟专业诊断程序的能力。
Feb, 2024
使用 MRI 和弱监督序数支持向量机 (WSO-SVM) 实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测,为个体化肿瘤治疗提供信息。
Dec, 2023
通过基于多重实例学习框架的多生物标志物组织形态学发现者(Multi-Beholder)模型,我们提出了一种可解释的深度学习流程,仅使用血液和嗜酸性染色全切片图像和切片级生物标志物状态标签,预测低级别胶质瘤中五种生物标志物的状况,从而克服了当前昂贵且复杂的分子遗传学测试所依赖的专业人员分析结果以及常常报告的内观者差异。
Oct, 2023
本文提出使用卷积神经网络(Convolutional Neural Networks)直接从影像数据预测脑胶质母细胞瘤分级的方法,从而避免了需要专家标注感兴趣区域的需求,并且通过可解释性方法检查分类是否使用了与肿瘤分级相关的影像区域作为质量保证阶段。
Sep, 2018
通过对多参数 mpMRI 扫描图片(T1w,T1wCE,T2w 和 FLAIR)进行二分类,RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组:训练集、验证集(在训练中使用),以及仅在最终评估期间使用的测试集。图像可以是 DICOM 格式或 Png 格式。我们尝试了不同的架构,包括三维版本的 Vision Transformer(ViT3D)、ResNet50、Xception 和 EfficientNet-B3,以研究这个问题。我们使用 AUC 作为主要评估指标,在测试集上,ViT3D 模型和 Xception 模型分别达到了 0.6015 和 0.61745 的优势。与其他结果相比,我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集,可以进一步提高。
Jan, 2024