Jan, 2024

基于机器学习的胶质瘤组织切片分析综述

PDF
TL;DR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。
发现论文，激发创造
  • 计算组织病理学的深度神经网络模型：一项调查

    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

  • 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

  • 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

  • 用于脑肿瘤分割、进展评估和总体生存预测的最佳机器学习算法识别（BRATS 挑战）

    本研究评估了近年来机器学习方法在脑瘤 mpMRI 扫描方面的应用，主要集中在评估各种脑瘤子区域的分割、预测肿瘤进展和预测患者的总体存活率等方面，考虑到数据集的多样性和不断演化，同时探讨了针对每个任务的最佳机器学习算法的挑战。

    Nov, 2018

  • 基于人工智能的快速、无标记光学成像分析散发性神经胶质瘤分子分类

    利用深度学习和光学组织学技术快速诊断弥漫性胶质母细胞瘤，准确诊断病人的分子变异，为病人提供个性化治疗方案。

    Mar, 2023

  • 使用卷积神经网络和质量评估从 MRI 数据自动分级脑肿瘤

    本文提出使用卷积神经网络（Convolutional Neural Networks）直接从影像数据预测脑胶质母细胞瘤分级的方法，从而避免了需要专家标注感兴趣区域的需求，并且通过可解释性方法检查分类是否使用了与肿瘤分级相关的影像区域作为质量保证阶段。

    Sep, 2018

  • 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

  • 基于组织病理图像的胶质瘤亚型分类：领域内和领域外迁移学习的实验研究

    我们在本文中对用于成年型弥漫性胶质瘤的计算机辅助分类的各种迁移学习策略和深度学习架构进行了全面比较。我们评估了针对组织病理学图像目标领域的域外 ImageNet 表示的泛化能力，并研究了使用自监督和多任务学习方法进行预训练的在域适应的影响。此外，我们提出了一种半监督学习方法，其中利用微调模型来预测整张幻灯片图像的未标注区域的标签。在使用先前步骤中确定的真实标签和弱标签进行重新训练后，模型表现优异，平衡准确率为 96.91％，F1 分数为 97.07％，并最大程度地减轻了病理学家的注释工作量。最后，我们提供了一种工作在幻灯片图像级别的可视化工具，生成能突出肿瘤区域的热图，从而为病理学家提供幻灯片图像中最有信息的部分的见解。

    Sep, 2023

  • 利用磁共振成像和数据包含的机器学习算法量化胶质母细胞瘤的肿瘤内遗传异质性，以实现精准医学

    使用 MRI 和弱监督序数支持向量机 (WSO-SVM) 实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测，为个体化肿瘤治疗提供信息。

    Dec, 2023

  • 组织病理学图像分析的机器学习方法

    本文介绍了使用机器学习算法分析数字病理学图像的应用，解决数字病理学图像及相关任务中存在的问题，并提出了可能的解决方案。

    Sep, 2017