May, 2024

基于半随机贴片采样的肺癌 WSI 中 TILs 的快速估计

PDF
TL;DR我们的研究引入了一个自动化流程，该流程利用半随机补丁采样、补丁分类和 HoVer-Net 模型对肺癌患者中浸润肿瘤淋巴细胞（TILs）进行评估，从而实现对非小细胞肺癌（NSCLC）患者进行预后评估的过程的优化。该流程通过排除约 70％与预后不相关的区域，并使用仅剩下的 5％的补丁维持预后准确性（c 索引为 0.65+-0.01），在不降低预后准确性的情况下实现了计算效率，在患者存活方面与传统的 CD8 IHC 评分方法相比，该流程在 TILs 得分方面具有较强的相关性。然而，仍然需要全面的临床验证，未来的研究应着重验证其更广泛的临床实用性，并探索其他生物标志物以改善非小细胞肺癌的预后评估。
prognostic biomarkerstumor-infiltrating lymphocytesautomated pipelinehover-net modelnsclc prognosis
发现论文，激发创造
  • 乳腺癌肿瘤浸润淋巴细胞评分的自动化流水线

    本研究引入一种创新的基于 Efficient-UNet 架构的深度学习流程，用于计算乳腺癌全切片图像中的肿瘤浸润淋巴细胞（TILs）得分。该方法在分割肿瘤 / 基质区域和检测 TILs 方面展示了最先进的性能，并在预测生存结果中证明了竞争力，显示了我们自动化 TILs 评分系统作为乳腺癌预后工具的临床相关性和潜力。

    Nov, 2023

  • 利用自动化的乳腺癌检测技术识别浸润性乳腺癌中肿瘤浸润淋巴细胞的空间分布

    本研究研发和评估了卷积神经网络（CNN）分析流程来生成乳腺癌全套组织图像（WSI）中的癌症区域和肿瘤浸润淋巴细胞（TIL）的组合图，旨在定量评估 Tumor-TIL 空间关系，结果比当前最佳方法表现更好，并生成了开放源代码工具和公共数据集。

    May, 2019

  • 仅使用切片级别标签的临床启发式细胞学全幅图像筛查

    本文提出了一种新颖的自动标签高效 WSI 筛查方法（简称 LESS），用于只具有载玻片级别标签的细胞学诊断，该方法采用 VPU 学习提高 WSI 级别标签的补丁级特征学习的效率，并使用跨注意视觉变换器（CrossViT）融合多尺度补丁级数据并执行 WSI 级分类，实现了自动细胞学膀胱癌筛查。

    Jun, 2023

  • 克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

    本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测， 比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

    Dec, 2020

  • 乳腺癌弱标签全切片图像的 PD-L1 分类

    本研究旨在基于 WSI 分析开发和比较能够根据 WSI 级别标签对乳腺癌样本的 PD-L1 阳性分类的模型，该任务包括 ROI 识别和将肿瘤分类为 PD-L1 阳性或阴性两个阶段，研究探讨了不同的特征提取方法和两个不同的训练配置，并测试了自动去除棕色伪迹的性能表现。

    Apr, 2024

  • 利用多个实例学习在整个切片图像中找到感兴趣区域

    通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

    Apr, 2024

  • 资源有限的自动 Ki67 指数估计在乳腺癌中

    通过使用肿瘤浸润淋巴细胞（TILs）和核蛋白 Ki67 作为预测因子，我们提出了一种资源消耗感知的深度神经网络方法，用于在乳腺癌筛查中有效估计 Ki67 阳性细胞的百分比，并且在减少计算资源需求的同时保持了较高的准确率。

    Dec, 2023

  • 基于 Patch 的卷积神经网络用于全切片组织图像分类

    通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

    Apr, 2015

  • 利用图神经网络进行组织病理学图像的表示学习

    本文介绍了一种基于图神经网络和 DenseNet 的方法，使用颜色选择和生成的样本 patches 并保持图像信息的关联性，以对肺癌的亚型进行精确分类。模型在 The Cancer Genome Atlas 数据集上表现出了 88.8% 的准确率和 0.89 的 AUC。

    Apr, 2020

  • SCMIL: 稀疏上下文感知多实例学习用于预测全切片图像中的癌症生存概率分布

    通过稀疏上下文感知多实例学习框架，我们预测癌症存活概率分布，创新地将 WSI 的补丁根据形态特征和空间位置信息进行聚类，借助稀疏自注意力确定这些补丁之间的关系，使用可学习的补丁过滤模块 SoftFilter 仅考虑与任务相关的补丁之间的相互作用，并利用基于注册的混合密度网络预测个体患者的存活概率分布，实验证明我们的方法在存活预测方面胜过当前最先进的方法，提供更具临床意义和可解释性的结果。

    Jun, 2024