转移学习用于预测非小细胞肺癌与低分辨率组织病理学幻灯片快照中的死亡率

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 医学中的人工智能

背景情况:

• 高分辨率的组织病理学幻灯片对于癌症预测至关重要.
• 低分辨率图像对预后模型培训提出了挑战.
• 在临床环境中,访问高分辨率数据可能受到限制.

研究的目的:

• 评估用于训练预后模型的策略,使用非小细胞肺癌 (NSCLC) 的低分辨率基因病理快照.
• 用有限分辨率数据对NSCLC预后建模进行不同转移学习方法的有效性进行比较.

主要方法:

• 使用了退伍军人事务精确瘤学数据库对非小细胞肺癌 (NSCLC) 病例的数据.
• 训练有素的神经网络预后模型使用低分辨率的组织病理学图像.
• 我们比较了三个策略:没有转移学习,从一般图像转移学习,从高分辨率基因病理扫描转移学习.

主要成果:

• 使用高分辨率组织病理学扫描进行转移学习,与其他方法相比,表现明显优越.
• 没有转移学习或使用一般域转移学习训练的模型显示出较低的预测准确性.
• 该研究确定了利用有限分辨率病理学数据的最佳策略.

结论:

• 从高分辨率组织病理学扫描中转移学习是一种有效的策略,用于在只有低分辨率图像可用时开发NSCLC的预后模型.
• 这种方法提高了临床信息学中低分辨率病理幻灯片快照的实用性.
• 这些发现支持开发NSCLC强大的预后工具,整合多种数据源.