相关实验视频
Updated: Jun 23, 2026
06:09
Quantification of Tumor Cell Adhesion in Lymph Node Cryosections
Published on: February 9, 2020
12.0K
在淋巴结中检测转移的计算方法和对无转移的淋巴结微型架构的特征:一个系统-叙述混合审查
Elzbieta Budginaite1,2, Derek R Magee3, Maximilian Kloft1,4
1Department of Pathology, GROW - Research Institute for Oncology and Reproduction, Maastricht University Medical Center+, Maastricht, The Netherlands.
Journal of pathology informatics
|March 8, 2024
概括
使用人工智能 (AI) 分析无转移的淋巴结 (LNs) 可以揭示关键的临床信息. 需要进一步的研究和大型数据集,以探索无瘤的LNS计算分析的潜力.
科学领域:
- 计算病理学计算病理学
- 数字组织病理学 数字组织病理学
- 人工智能在瘤学中的应用
背景情况:
- 淋巴结 (LN) 检查对于癌症的分期和预后至关重要.
- 目前,在无转移的LNs中的信息尚未被捕获.
- 人工智能为LN组织的新分析提供了潜力.
研究的目的:
- 系统地审查和评估分析数字化组织学淋巴结图像的方法.
- 评估人工智能在淋巴结分析中的应用.
- 为了确定淋巴结的计算分析的研究差距.
主要方法:
- 系统的文献搜索到2023年12月.
- 在数字化组织学图像中使用人工智能检测/细分LNs,隔间或转移的研究.
- 数据集,人工智能方法,癌症类型和研究目标的比较.
主要成果:
- 分析了73项研究,其中86%专注于转移的识别.
- 补丁分类模型比像素细分 (22%) 更常见 (78%).
- 大多数对无转移的LNs的研究使用了不可用的数据集,阻碍了定量比较.
结论:
- 多尺度的人工智能模型对计算性淋巴结分析有希望.
- 大规模的数据集对于确定分析无转移的LNs的临床相关性至关重要.
- 需要进一步的研究来确定临床上可解释的临床指标来描述淋巴结区的特征.
