深度学习质瘤与瘤微环境分析协议的分级,用于全面学习,发现和量化微环境特征

科学领域:

• 神经瘤学神经瘤学
• 计算病理学计算病理学
• 免疫学 免疫学 免疫学

背景情况:

• 质瘤是原发性脑瘤,需要准确的分类来预后和治疗.
• 瘤微环境中的髓状细胞与质瘤恶性和患者存活率相关.
• 手动组织学评估质瘤等级是耗时且主观的.

研究的目的:

• 开发和评估深度学习模型,用于对质瘤等级的自动化多类分类.
• 为了研究瘤微环境特征,特别是髓状细胞模式,用于质瘤分类.
• 评估计算病理学作为脑瘤诊断辅助的实用性.

主要方法:

• 在质瘤数据集上实施了深度学习协议,用于学习,发现和量化瘤微环境元素.
• 利用图像增强来解决数据不平衡和小数据集大小 (206 个图像,5 个类别).
• 评估整个幻灯片监督学习分类使用6个不同的模型架构,包括DenseNet121,并进行无监督的细胞对细胞分析.

主要成果:

• DenseNet121架构实现了69%的准确性,比基线提高了9%,特别是在挑战世卫组织2级和3级质瘤方面.
• 所有实验都采用了交叉验证.
• 瘤微环境分析强调了髓状细胞在表征质瘤等级中的作用.

结论:

• 深度学习方法,特别是DenseNet121,为准确的质瘤分级提供了一个有前途的工具.
• 对瘤微环境的分析,专注于髓状细胞,为质瘤特征提供了宝贵的见解.
• 这些计算方法可以提高诊断的准确性,并简化病理学家和瘤学家的工作流程.