联合流:乳腺癌诊断的恶性区域学习
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
该研究使用基于傅立叶变换红外显微光谱和深度学习的二维模型 CaReNet-V2 进行乳腺癌的分类和生物标志物水平预测,通过对 60 个乳腺活检样本进行图像采集和处理,达到对乳腺癌分子亚型和生物标志物水平的准确预测,有望成为乳腺癌活检的筛查分析技术并帮助优先治疗患者。
Oct, 2023
使用深度学习方法对免疫组织化学染色的乳腺癌组织图像进行 HER2 状态自动分类,以提高诊断准确性和评估速度,对乳腺癌的治疗规划可能产生重大影响。
Apr, 2024
通过使用最新的 BRACS 组织学(H&E 染色)图像数据集中的感兴趣区域(ROI)图像,我们使用不同的预训练深度学习模型,在处理图像时应用了数据增强、上采样和数据集拆分策略,最终达到了 96.2%的 f1-score,显著提高了乳腺癌肿瘤的早期诊断和鉴别,尤其是不典型和恶性肿瘤,从而改善患者预后并降低患者死亡率。
Sep, 2023
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
本研究使用 VGG19 模型进行三种可视化方法操作,包括 Gradient、LRP Z 和 LRP Epsilon,与三种像素选择方法操作,包括 Bins、K-means 和 MeanShift,以对恶性和良性的组织学图像进行分类,并比较所得到的感兴趣区域与病理学家的独立标注的结果,结果表明,Gradient 可视化方法和 MeanShift 像素选择方法可满足图像可视化的需要。
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
通过使用点变换器与联邦学习方法对多地点 HER2 状态进行预测,我们提出了两个新的设计:动态标签分布策略和辅助分类器,它们有助于建立可初始化的模型和减轻不同地点标签分布的变化;此外,我们还提出了基于余弦距离的最远余弦采样,能够选择最具特色的特征并捕捉长程依赖关系。广泛的实验和分析表明,我们的方法在 4 个地点的 2687 个 WSIs 上实现了最先进的性能,并且我们证明了我们的模型可以泛化到两个未见过的地点,共 229 个 WSIs。
Dec, 2023
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