Oct, 2023

从苏木精和伊红染色图像中预测非小细胞肺腺癌中的 MET 过表达

PDF
TL;DR通过利用大规模的匹配的 H&E 染色和 RNA 表达数据的数据库，我们训练了一个弱监督模型，直接从 H&E 图像中预测 MET RNA 过度表达，从而评估了 300 个过度表达和 289 个正常患者的独立测试集，表现出 0.70 的 ROC-AUC（95th 百分位区间: 0.66 - 0.74），并在不同的患者临床变量下具有稳定的性能特征，并对测试集上的合成噪声具有较强的鲁棒性。这些结果表明，基于 H&E 的预测模型可能有助于优先考虑进行 MET 蛋白质或 MET 基因表达状态的确证检测。
met protein overexpressionnon-small cell lung cancertargetable eventpredictive modelsmet gene expression
发现论文，激发创造
  • hist2RNA：由乳腺癌组织病理学图像预测基因表达的有效深度学习架构

    利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

    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

  • 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

  • 使用深度学习技术预测肺组织活检图像的 EGFR 突变

    本文通过深度学习图像分析技术，使用自定义深度学习管道在肺癌组织中识别 EGFR 突变的形态学相关性，同时检测肿瘤和组织学亚型，证明了这种方法的有效性，并指出了使用特征提取器层在目标数据集上进行微调时没有特殊优势，选择高细胞密度区域并不总是有帮助。

    Aug, 2022

  • 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

  • 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

  • 通过双模式对比学习从 H&E 组织学图像中空间预测基因表达

    该研究提出一种生物模态嵌入框架 Bi-modaL Embedding for Expression Prediction (BLEEP)，可以生成整张组织学图像中的基因表达文件，以此代替传统的时间与金钱代价高昂的基因表达分析方式进行医学诊断和研究。

    Jun, 2023

  • 半监督的 ViT 知识蒸馏网络与风格转移归一化用于结直肠肝转移生存预测

    我们提出了一个自动预测肠癌患者结直肠癌肝转移的病理预后的端到端方法，利用 H&E 和 HPS 染色的组织学切片；我们使用生成对抗网络对切片进行标准化，采用半监督模型进行组织分类，使用注意力机制加权不同区域进行分类，训练预后模型并在 258 名患者上进行了评估，结果证明我们的方法在预测生存和治疗时间反应方面具有优越性，可推动精准医学在管理结直肠癌肝转移患者中的进展。

    Nov, 2023

  • 从 H&E 染色的乳腺癌图像中预测 Ki67、ER、PR 和 HER2 状态

    通过使用机器学习方法和数字病理学，本研究建立了一个大规模数据集（185,538 张图像），通过可靠的 Ki67、ER、PR 和 HER2 状态测量结果，验证了基于 ViT 的标准流水线能够在正确的标注协议下达到大约 90% 的预测性能，同时揭示了训练分类器定位相关区域的能力，为未来改进本领域的本地化工作提供了启示。

    Aug, 2023

  • 核子亚型分类的跨模态学习

    利用多模态学习在数字病理学中为先前无法分类的细胞类型自动标注，代表着自动标注数字病理学的有希望的进展。

    Jan, 2024