计算病理学:综述与前景
本研究综述了计算病理学在肿瘤筛查、诊断和预后应用方面面临的挑战和前景,给出了从病理和技术角度的图像预处理方法和基于机器学习的方法,以及在乳腺、结肠、前列腺、肺和各种肿瘤疾病场景中应用计算病理学的情况。
May, 2022
数字化组织切片和人工智能,特别是深度学习的快速进展,推动了计算病理学领域的发展。这篇综述总结了计算病理学领域近期的方法学进展,重点介绍了这些发展如何使临床实践自动化,并可发现新的生物标志物。作者还提供了未来展望,指出该领域将扩展到更广泛的临床和研究任务,并涉及越来越多样化的临床数据模态。
Dec, 2023
使用自监督学习方法,创建了 Virchow 计算病理学的 632 百万参数深度神经网络基础模型,以解决病理学任务中缺乏数据的挑战,并在病理图像分类、癌症检测和亚型、生物标志物预测等多个任务中表现出色,显示了预训练在病理学图像数据集上的重要性和潜力。
Sep, 2023
深度学习模型在计算病理学中表现出了卓越的效果,通过解决复杂的组织学图像分析应用中出现的外域数据问题,降低了经过训练的模型对于具有稍微不同数据分布的未见数据的泛化能力。
Oct, 2023
本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析,从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。
Dec, 2019
本研究证实数字病理学结合人工智能可以用于疾病诊断以及提高诊断准确率并通过相似案例的可视化检查和计算机多数表决来帮助病理医生。在该研究中,通过搜索最大的公共存储库之一,本文显示出当足够的可搜索案例数量可用于每种癌症亚型时,计算机一致性似乎可以用于诊断。
Nov, 2019
本文研究了计算病理学的视觉表征学习问题,通过利用来自公共资源的大规模图像 - 文本对和病理学中的领域特定知识。我们首次构建了包含 50,470 个有信息量的属性、涵盖 32 种人体组织下的 4,718 种需要病理诊断的疾病的病理知识树。我们开发了一种基于知识增强的视觉 - 语言预训练方法,通过语言模型将病理特定知识投射到潜在嵌入空间中,并用于引导视觉表征学习。我们进行了全面的实验证明了我们提出的组件的有效性,在不同的下游任务中,包括跨模态检索、病理图块上的零样本分类以及整个切片图像上的零样本肿瘤亚型划分,都取得了显著的性能提高。所有代码、模型和病理知识树将提供给研究社群。
Apr, 2024
通过相似性计算,利用病理组织学的病理图像可以在研究和临床环境中进行病人之间的匹配,最近的搜索技术进展为细胞结构的定量化提供了可能,可实现不同组织类型的比较,从而对诊断、预后和新患者的预测提供推论,本文综述了用于计算病理学研究中高效、快速和有效的图像搜索方法的最新发展。
Jan, 2024