通过采样驱动的多个实例预测,对组织图像和细胞形态数据进行恶性中皮瘤亚型鉴定.

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 数字健康数字健康

背景情况:

• 恶性间皮瘤是一种罕见的,攻击性的癌症,通常与接触石棉有关.
• 准确的亚型 (上皮状,状,双相) 对于治疗至关重要,但在组织学评估中面临着高度的观察者间变异性.
• 过渡性组织学特征使最终的亚型复杂化,影响患者管理.

研究的目的:

• 开发一种自动化的客观方法,使用深度学习来分类恶性间皮瘤.
• 克服主观组织学亚型化和观察者之间的高变异性的局限性.
• 为了使瘤亚型的持续表征和研究异质性.

主要方法:

• 一个端到端的多个实例学习 (MIL) 框架被开发用于恶性间皮瘤亚型.
• 一个基于适应实例的采样方案在图像补丁上训练了深层卷积神经网络.
• 实例表示增强了来自细胞细分的总细胞形态特征.

主要成果:

• 拟议的MIL方法在组织区域内准确识别了恶性间皮质子类型.
• 取得了sarcomatoid与epithelioid优势的连续表征,减少了主观分类.
• 该方法在234个组织微阵列核心的数据集上表现出强大的性能,AUROC为0.89±0.05.

结论:

• 开发的MIL方法为恶性间皮瘤的亚型提供了一个客观而准确的方法.
• 这种计算病理学技术可以帮助理解瘤异质性,并改善患者分层.
• 该方法和数据集是公开可用的,以推动研究中皮瘤诊断的研究.