空间分辨率对深度学习对肺癌组织病理学分类的影响
Mitchell Wiebe, Christina Haston1, Michael Lamey
1University of British Columbia, Okanagan Campus, Kelowna, BC, Canada.
BJR open
|November 13, 2023
概括
深度学习可以将肺癌组织病理学分类,即使在低分辨率下,类似于CT扫描中的图像. 这一发现表明了使用成像技术进行非侵入性肺癌诊断的潜力.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 肺活检的显微镜分析是肺癌诊断的黄金标准.
- 深度学习模型在高分辨率下对非小细胞肺癌 (NSCLC) 组织病理学进行分类时达到病理学家水平的准确性.
- 之前的研究探讨了以较低的空间分辨率进行断层扫描-组织学关系.
研究的目的:
- 为了确定肺癌分类的组织学模式是否可以检测到与超高分辨率计算机断层扫描 (UHRCT) 相关的空间分辨率.
- 评估深层卷积神经网络 (CNN) 的性能,以降低空间分辨率对肺组织病理图像进行分类.
主要方法:
- 一个深层卷积神经网络 (inception-v3) 在癌症基因组图集中的 2167 张基因病理幻灯片上受过训练.
- 这些模型区分了肺腺癌 (LUAD),状细胞癌 (LUSC) 和正常的肺组织.
- 模拟的分辨率范围从4μm/px到128μm/px使用数字低通波器.
主要成果:
- 在4-16μm/px的分辨率下,CNN分类器为所有组织类型实现了≥0.95的曲线下的面积 (AUC).
- 在分辨率低至128μm/px的情况下,实现了≥0.95的AUC来区分正常组织和癌症类型.
- 对LUAD,LUSC和正常组织的准确分类是可以做到16μm/px.
结论:
- 组织学分类特征可以通过深度学习以比病理学家通常使用的空间分辨率低的空间分辨率检测到.
- 这些发现表明,肺癌分类的模式可以在断层扫描数据中检测到可以通过UHRCT实现的分辨率.
- 深度学习模型可以在128μm/px的分辨率下区分正常和癌症肺组织.
