May, 2024

通过数据中心策略优化乳腺癌全切片图像中的淋巴细胞检测

PDF
TL;DR淋巴细胞在组织病理学切片中的高效、准确量化对于肿瘤微环境和免疫治疗反应的表征至关重要。我们开发了一个基于数据的优化流程，利用现成的 YOLOv5 模型在不进行任何结构修改的情况下实现了出色的淋巴细胞检测性能。我们的工作依赖于策略性的数据集增强策略，包括新颖的生物上采样和定制的视觉连贯转换，针对组织图像的独特特性进行设计，从而大大提高了模型的性能。我们的优化揭示了一个关键的实现：在进行了密集定制化之后，标准的计算病理学模型可以实现高能力的生物标志物开发，而不增加架构复杂性。我们展示了这种方法在乳腺癌背景下的兴趣，证明我们的策略可以实现良好的淋巴细胞检测性能，引发了广泛的影响性的范式转变。此外，我们的数据整理技术提供了关键的组织学分析基准，突显了提高的通用潜力。
lymphocyteshistopathology slidestumor microenvironmentimmunotherapy responsedata-centric optimization
发现论文，激发创造
  • 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

  • ScanNet: 一种快速稠密的滑片图像扫描框架，用于乳腺癌转移的检测

    本文研究了利用卷积神经网络的计算机诊断技术在乳腺癌病理学中的应用，从组织样本的全幅图像中快速自动检测淋巴结转移的新方法，并且在 2016 年 Camelyon Grand Challenge 的数据集上取得了优异的性能，不仅比其他同类方法检测肿瘤定位的速度更快，而且在 WSI 分类任务上超越了人类表现。

    Jul, 2017

  • 有限数据访问情境下的深度学习结肠癌检测研究

    该研究使用基于深度学习的模型探讨了在组织分类问题中，通过利用组织之间的结构特征解决数据不足的问题。研究进一步表明，借助少量或无淋巴节点数据，利用原始肿瘤组织或通过 Cycle-GANs 变换的乳腺癌数据训练的模型可以用于发现其他器官的癌症细胞扩散情况。

    May, 2020

  • 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

  • 淋巴结转移癌症检测的半监督学习

    用逐步的方式查找转移组织的任务通常很具有挑战性，这篇研究提出了使用基于深度卷积神经网络的半监督学习方法的模型来自动分析肿瘤病理扫描图像中的前哨淋巴结状态，表现比标准 CNN 基准表现更好，并在 PatchCamelyon 数据集上进行了验证。

    Jun, 2019

  • 用于鉴定转移性乳腺癌的深度学习

    使用深度学习技术，结合人工病理学家的诊断结果，实现对淋巴结活检全滑片图像中转移性乳腺癌的自动检测，能够在提高病理诊断准确性方面发挥重要作用。

    Jun, 2016

  • 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

  • 利用物体检测技术实现肺癌识别

    本研究探讨了目标检测特别是 YOLOv5 在医学影像中的应用，通过训练模型检测病理性肺病变，实现早期肺癌的诊断，结果表明该模型在识别病变和计算效率方面表现良好，有望在临床中应用辅助影像医师的早期检测。

    May, 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

  • 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