使用基于深度学习和先进图像处理的模块化方法对犬类和猫类淋巴瘤进行组织学分类

科学领域:

• 兽医病理学 兽医病理学
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 准确的淋巴瘤亚型确定对于诊断和治疗至关重要.
• 瘤淋巴细胞的核大小是淋巴瘤分类的关键组织病理特征.
• 目前用于核大小评估的方法可能是主观的,缺乏可重复性.

研究的目的:

• 开发和验证基于核大小的客观淋巴瘤分类的人工智能驱动的工作流程.
• 将人工智能工作流程的性能与人类病理学家进行比较.
• 评估工作流程对不同物种的可转移性.

主要方法:

• 利用人工智能和先进的图像处理进行淋巴瘤分类.
• 在犬类淋巴瘤组织学图像中使用Unet++和Stardist模型进行细胞核细分.
• 优化了用于核大小分类的算法参数,使用了新的参考大小和病理学家衍生的基本真相.

主要成果:

• 人工智能图像分类模块在狗淋巴瘤数据上达到高达92%的准确性.
• 该算法与三个个人病理学家 (66.67%至84%) 的测量相比,显示出更高的准确性和可重复性.
• 该工作流显示了对猫性淋巴瘤的高可转移性,达到高达84.21%的准确性.

结论:

• 开发的AI工作流提供了基于核大小的淋巴瘤亚型的客观和可重复的方法.
• 这种计算机辅助的方法可以帮助病理学家,有可能提高淋巴瘤分类的诊断准确性和可重复性.
• 工作流的模块化性质允许适应特定任务,并增强用户对人工智能辅助诊断的信任.