Oct, 2023

深度学习预测低级别胶质瘤的生物标志物状态并发现相关的组织形态学特征

PDF
TL;DR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。
发现论文，激发创造
  • 基于机器学习的胶质瘤组织切片分析综述

    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

  • 使用血红素和伊红素全切片图像的多实例学习用于胶质瘤诊断：一个印度队列研究

    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

  • 多尺度注意力多实例学习用于多千兆像素组织学图像分类

    本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的 LMP1 状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。

    Sep, 2022

  • 基于回归的深度学习预测病理切片的分子生物标志物

    本研究开发并评估了一种自监督的基于注意力机制的弱监督回归方法，可以从癌症组织学图像中直接预测连续生物标志物，并发现回归模型优于分类模型，可以提高生物标志物预测的准确性和可解释性。这种开源回归方法为计算病理学中的连续生物标志物分析提供了一种有前途的替代方法。

    Apr, 2023

  • LymphoML: 一种可解释的基于人工智能的方法发现与淋巴瘤亚型相关的形态特征

    利用 H&E 染色组织精确分类淋巴瘤亚型的方法是复杂的，本研究提出了 LymphoML - 一种可解释的机器学习方法，它识别与淋巴瘤亚型相关的形态特征，通过处理 H&E 染色组织微阵列核心、分割细胞核和细胞、计算包括形态学、纹理和结构的特征，并训练梯度增强模型进行诊断预测。LymphoML 的可解释模型在有限量的 H&E 染色组织上达到了与病理学家使用全层切片图像相当的诊断准确性，并在跨越 8 个淋巴瘤亚型的 670 个病例的危地马拉数据集上胜过黑匣子深度学习。通过 SHapley Additive exPlanation (SHAP) 分析，我们评估了每个特征对模型预测的影响，并发现核形状特征对 DLBCL（F1 得分：78.7%）和典型霍奇金淋巴瘤（F1 得分：74.5%）最具鉴别性。最后，我们首次证明了将 H&E 染色组织特征与标准化的 6 种免疫染色特征相结合的模型具有类似的诊断准确性（85.3%）与 46 种免疫染色特征的模型（86.1%）。

    Nov, 2023

  • 免疫组织化学生物标志物引导的组织病理学图像检索

    本研究提出了一种有针对性的图像搜索方法来改善肿瘤检测和癌症诊断。通过多种免疫组化染色技术，将图像合并生成复合标记物图像，并利用深度学习技术实现对癌变或异常组织信息的高效筛查，从而提高了搜索引擎的精确度。

    Apr, 2023

  • 基于深度学习的乳腺癌肿瘤和免疫表型的组织病理预测

    通过应用多实例学习算法和不同的特征提取方法，该研究对乳腺癌的初级肿瘤进行多重描述，以测量肿瘤和免疫表型，为开发计算病理学标志物提供了潜力。

    Apr, 2024

  • 基于深度学习和集成机器学习的结直肠癌组织学分解性能提升

    利用混合深度学习和集成机器学习模型，该研究提出了一种超越以往解决方案的组合模型，对肠直肠癌的组织分类任务取得了 96.74％的准确率，在外部测试集上达到 99.89％的准确率。

    Oct, 2023

  • 利用 H&E 染色组织图像预测早期乳腺癌复发风险

    通过分析病理学图像预测乳腺癌早期患者复发的风险，本研究探讨了深度学习算法是否能准确预测复发的可能性，结果显示通过对 125 个组织切片图像进行分析，得到了对低、中、高风险预测的灵敏度分别为 0.857、0.746 和 0.529，对应的特异性分别为 0.816、0.803 和 0.972，而与专家病理学家提供的组织级别信息对比，得到的皮尔逊相关系数为 0.61，此外，模型通过类活化图考虑了管状形成和有丝分裂率对不同风险组的预测结构。

    Jun, 2024

  • 组织病理学分类：多项分类任务的独特深度嵌入提取器

    通过对不同 backbone 的比较，使用单个预训练的深度嵌入提取器将图像转换为深度特征，以此来减少所需的标记数据和加速训练，并使用特征空间增强策略来显著提高在组织学图像分类任务上的 F1 分数。

    Mar, 2023