通过改进已建立的深度学习解决方案,提高结直肠癌组织分解的准确性
Fabi Prezja1,2, Sami Äyrämö3,4, Ilkka Pölönen3,5
1Faculty of Information Technology, University of Jyväskylä, Jyväskylä, 40014, Finland. faprezja@jyu.fi.
Scientific reports
|September 23, 2023
概括
卷积神经网络 (CNN) 可以从结直肠癌活检图像中提取预后生物标志物. 一个新的培训策略提高了CNN的准确性,使得成本效益高的患者分层和治疗选择.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 在瘤学瘤学.
背景情况:
- 在结直肠癌 (CRC) 诊断中,血素和素 (H&E) 染色幻灯片是常见的.
- 目前的生物标志物通常依赖于昂贵且耗时的遗传测试.
- 卷积神经网络 (CNN) 显示出从H&E图像中提取生物标志物的潜力.
研究的目的:
- 为了提高来自H&E染色CRC活检图像的CNN生物标志物的准确性.
- 提高图像衍生生物标志物的预后能力 ("Deep Stroma").
- 通过一种新的训练策略,完善一套既定的CNN模式.
主要方法:
- 实施一种新的培训策略,以完善现有的CNN模式.
- 培训和验证CNN模型在H&E染色结直肠癌全片图像上的CNN模型.
- 包括可解释性方法来分析模型行为.
主要成果:
- 在外部测试套件上达到95.6%的平均准确率,在内部测试套件上达到99.5%.
- 减少了生物标志物相关组织类别的分类错误,包括淋巴细胞.
- 与之前的基于CNN的生物标志物解决方案相比,表现出更高的性能.
结论:
- 这种新的培训策略显著提高了基于CNN的结直肠癌生物标志物的准确性.
- 改善了组织分解的准确性,导致更好的预后潜力.
- 来自CNN的生物标志物为患者分层的传统方法提供了快速,经济高效的替代方案.
