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

Nov, 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

LymphoML: An interpretable artificial intelligence-based method identifies morphologic features that correlate with lymphoma subtype

PDF

Vivek Shankar, Xiaoli Yang, Vrishab Krishna, Brent Tan, Oscar Silva...

TL;DR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%）。

Abstract

The accurate classification of lymphoma subtypes using hematoxylin and eosin (H&E)-stained tissue is complicated by the wide range of morphological features these cancers can exhibit. We present LymphoML - an interpretable machine learning method that identifies morphologic features th

lymphoma subtypes h&e-stained tissue interpretable machine learning nuclear shape features diagnostic accuracy

发现论文，激发创造

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

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

深度学习在乳腺癌组织学分类中的应用

本研究利用深度学习方法，通过提取细胞核密度区域进行分类，通过 fine-tuning 原始的 Inception-v3 卷积神经网络，从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类，并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。

Feb, 2018

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

一种基于视觉变换器的从多模态到单模态的淋巴瘤亚型分类模型的知识转移框架

通过视觉变换器为高分辨率 WSI 从研究多模态分类器训练的 DLBCL（弥漫性大 B 细胞淋巴瘤）癌症亚型提出了一个前景恶劣，比现有的替代方法更便宜，更快速。

Aug, 2023

CLASSMix：基于自适应染色分离的对比学习与伪标签在组织病理图像分类中的应用

本研究提出了一种新的半监督分类模型，命名为 Contrastive Learning with Adaptive Stain Separation and MixUp (CLASSMix)，该模型是基于适应性染色分离的苏木精和伊红染色图像的对比学习和混合学习的组合，经在肾细胞癌数据集上的对比分析，证明了该模型在两个数据集上的优越性能。

Dec, 2023

组织病理学癌症检测

癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了 ResNet50 和 InceptionNet 模型，并使用数据增强，其中 ResNet50 能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。

Nov, 2023

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

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