通过开发深度学习系统,在多种癌症类型中利用组织病理图像预测疾病特异性生存,为癌症治疗和监测提供重要的预后信息。
Dec, 2019
介绍了Cancer-Net BCa,这是一个包含253例临床前乳腺癌患者CDI$^s$成像数据的多机构开放数据集,可用于通过机器学习加速癌症诊断和治疗的全球开源倡议。
Apr, 2023
本研究利用基于综合相关扩散成像的体积深度放射组学方法建立了一个预测 Scarff-Bloom-Richardson(SBR)分级的计算机诊断模型,结果显示与常规成像方法相比,该方法更加精准,减少了病人的痛苦和费用成本。
该论文通过对过去10年深度学习在乳腺癌成像研究的概述和整理,阐述了深度学习在乳腺癌筛查、诊断、治疗反应预测和预后方面的应用,同时探讨了深度学习在乳腺癌成像方面未来研究的挑战和展望。
通过对乳腺癌组织标本图像的数据集进行系统回顾,发现了12个公开的数据集,并对每个数据集的元数据和特征进行了报告,同时编制了一个文章中使用的补充资源列表。此外,还强调了建立乳腺癌WSI数据集元数据报告指南的必要性。
Jun, 2023
最近在自我监督学习方面的突破已经实现了使用大规模无标签数据集来训练视觉基础模型,该模型可以推广到各种下游任务。本项目的目标是训练最大的学术基础模型,并通过在大型临床病理数据集上的预训练和下游性能评估来对最重要的自我监督学习算法进行基准测试。结果表明,与自然图像的预训练相比,病理数据的预训练对下游性能是有益的。此外,DINO算法在所有测试任务中实现了更好的泛化性能。这些结果标志着计算病理学研究的一个阶段性变化,为基于大规模、并行预训练的更高性能模型开辟了新时代。
Oct, 2023
发展了一种多模态方法,结合全幻灯片图像分析和临床病理数据来预测相关的乳腺癌复发风险,并根据预测分数将患者分为低风险和高风险两组,提供了一种个性化治疗乳腺癌患者的替代方法,可能改善其疗效。
Jan, 2024
利用深度学习和综合多模态特征集成方法,该研究提出了一种能够准确进行生存风险分层和乳腺癌患者个性化治疗决策的方法,并应用于ER+乳腺癌病人,取得了优于现有方法的预测性能,同时解决了处理不平衡数据的重要问题。
Feb, 2024
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
本研究解决了乳腺癌患者在局部治疗后复发风险预测中的不足。采用机器学习、网格搜索和贝叶斯网络的方法,利用现有数据开发出的算法在ROC分析中的AUC值高达0.9,具有快速转化为临床管理的潜力,能够有效识别高风险复发患者,从而优化治疗策略。
Aug, 2024