Oct, 2023

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

PDF
TL;DR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。
microsatellite instability-highhematoxylin and eosinwhole-slide imagespredict msi statusimmune checkpoint inhibitor therapy
发现论文，激发创造
  • 自监督学习提高了多种癌症组织学幻灯片中的 dMMR/MSI 检测

    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。

    Sep, 2021

  • 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

  • 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

  • 从全切片图像到生物标志物预测：结合计算病理学的端到端深度学习协议

    该研究论文介绍了一种实用的基于深度学习的固体肿瘤相关建模工作流程（STAMP），使得可以直接从组织病理学图像中预测生物标志物。它包括问题定义、数据预处理、建模、评估和临床转化五个主要阶段，并且注重作为一个合作框架，为临床医生和工程师在计算病理学领域开展研究项目提供支持。

    Dec, 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

  • $M^{2}$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

  • 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

    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

  • 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

  • 一份 AI 准备的多重染色数据集，用于肿瘤免疫微环境的可重现和准确表征

    本文介绍了一个新的计算病理学数据集，其中包含八名头颈鳞癌患者的重新染色和共注册数字化图像。该数据集展示了两种染色方法的等效性，为深度学习方法提供了客观的免疫和肿瘤细胞注释，并可用于肿瘤免疫微环境的更可重复和准确的表征。

    May, 2023