使用深度学习对大规模的癌症组织病理学图像数据集进行自动化治愈
Lars Hilgers1,2, Narmin Ghaffari Laleh1,2, Nicholas P West3
1Department of Medicine III, University Hospital RWTH Aachen, Aachen, Germany.
Histopathology
|February 27, 2024
概括
一种新的深度学习方法通过从缩略图分类整个幻灯片图像 (WSIs) 来自动整理大型数字病理学数据集. 这种人工智能方法显著加快了用于癌症研究的数据准备.
科学领域:
- 数字病理学数字病理学
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 人工智能 (AI) 有助于癌症诊断和预后,但受训数据的限制,通常每位患者只使用一个幻灯片.
- 大型手术标本会产生大量的全幻灯片图像 (WSIs),这使得手工策划耗时且阻碍了AI应用.
- 开发用于大规模病理学数据集策划的自动化方法对于在癌症研究中推进AI至关重要.
研究的目的:
- 开发和验证一种深度学习 (DL) 方法,用于自动处理包含每个患者多个幻灯片的大型数字病理学数据集.
- 评估使用低分辨率缩略图片图像用于准确的幻灯片分类的可行性.
- 在广泛的病理档案上实现高效的AI模型培训.
主要方法:
- 收集了大型的多中心结直肠癌组织病理学幻灯片数据集 (FOXTROT,CR07,DACHS).
- 开发并训练了一个深度卷积神经网络 (CNN) 模型,以从缩略图图像中预测幻灯片类型.
- 通过使用接收器运行曲线 (AUROC) 下的宏观平均面积和分类准确度评估模型性能.
主要成果:
- 在初级数据集 (FOXTROT) 中,DL模型实现了高分类性能,AUROC为0.995.
- 该模型证明了对外部测试队列的概括性 (CR07 AUROC: 0.982; DACHS AUROC: 0.875).
- 实现了高分类准确度:CR07中94.6%,DACHS中85.1%,可信度值为0.95.
结论:
- 低分辨率的缩略图片图像足以在数字病理学中准确地分类幻灯片类型.
- 开发的DL方法使大病理学数据集的自动策划成为可能,大大减少了手动注释的努力.
- 这种方法为现代人工智能模型提供了大量病理档案的可访问性,推动了癌症研究.
