利用深度学习和金字塔采样进行乳腺癌图像中的自动 HER2 评分
提出一种深度强化学习模型,利用免疫组化(IHC)评分的 HER2 作为顺序学习任务,以鉴别性特征学习为中心,针对多分辨率大型图像的样本块进行深度处理,以实现该评分的序列化预测,并取得了比现有方法更优越的性能,在计算病理学领域中具有推广应用的潜力,这是使用深度强化学习的第一项 IHC 评分研究。
Mar, 2019
使用基于深度学习的半监督训练的全自动决策支持系统 (DSS),对浸润性导管癌进行免疫组化评分,从而提高免疫组化评分的准确性和治疗决策,特别是在专家不可用的情况下。
Jun, 2024
该研究提出了一种集成方法,结合 HER2 表达的多分类,从乳腺癌组织病理切片图像中诊断乳腺癌,通过与现有模型的比较,该方法取得了 97.12% 的准确率,并有显著改进。
Aug, 2023
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
本文介绍了乳腺癌免疫组化图像生成挑战赛,旨在探索深度学习技术在病理图像生成领域的新思路并促进研究。我们进一步分析了该领域的当前限制并预测了未来的发展。发放的数据集和挑战将希望能激发更多学者共同研究更高质量的免疫组化染色图像的生成。
May, 2023
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
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
使用基于深度学习的实例分割体系结构的自动量化方法,成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像,并集成到开发的网络平台中,作为病理学家的决策支持工具。
Nov, 2023
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