专家使用全幻灯片图像和流细胞测量来进行多个实例的学习对淋巴瘤的分类
Noriaki Hashimoto1, Hiroyuki Hanada1, Hiroaki Miyoshi2
1RIKEN Center for Advanced Intelligence Project, Furo-cho, Chikusa-ku, Nagoya, 4648603, Japan.
Journal of pathology informatics
|February 7, 2024
概括
这项研究引入了用于淋巴瘤诊断的深度学习方法,将整个幻灯片图像和流细胞计数据结合起来,以提高准确性. 多式联络方法提高了诊断的解释性,并且优于单式联络方法.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 恶性淋巴瘤的诊断依赖于整合各种数据类型.
- 流细胞计 (FCM) 为分类淋巴瘤亚型提供了有价值的辅助信息.
- 数字病理学使用整个幻灯片图像 (WSIs) 进行详细的形态分析.
研究的目的:
- 开发一种用于淋巴瘤诊断的多式深度学习分类方法.
- 通过模仿病理学家的工作流程来提高诊断的解释性.
- 为了提高分类准确性,利用WSIs和FCM数据.
主要方法:
- 一个深度学习框架,结合了专家混合 (MoE) 和多个实例学习 (MIL).
- 能源部的网络包括超级类的门网和分类分类的专家网络.
- MIL有效地处理WSIs,而MoE集成层次数据结构.
主要成果:
- 在六类淋巴瘤数据集上获得了72.3%的分类准确度.
- 仅使用图像 (70.2%) 或简单的FCM和图像组合 (69.5%) 的方法的性能优于其他方法.
- 该模型提供了细胞和瘤区域的可视化,增强了可解释性.
结论:
- 拟议的多式模式深度学习方法显著提高了淋巴瘤分类的准确性.
- 集成WSIs和FCM数据可以提高诊断的解释性.
- 该方法对现实世界淋巴瘤诊断具有前景,有可能扩展到更多的类别.
更多相关视频
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.5K
09:52DNA-barcode-based Multiplex Immunofluorescence Imaging to Analyze FFPE Specimens from Genetically Reprogrammed Murine Melanoma
Published on: June 6, 2025
195
