在虚拟组织学染色组织上诊断肺癌,使用弱监督学习
Zhenghui Chen1, Ivy H M Wong1, Weixing Dai1
1Department of Chemical and Biological Engineering, The Hong Kong University of Science and Technology, Clear Water Bay, Kowloon, Hong Kong, China.
概括
这项研究引入了一种新的深度学习方法,用于使用无标签组织的虚拟组织学来分类肺腺癌 (LUAD). 与传统方法相比,这种方法可以加快诊断速度并降低成本.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 数字病理学和医学成像学
背景情况:
- 肺腺癌 (LUAD) 是最常见的肺癌,通常通过手动解释H&E染色组织切片来诊断.
- 目前的组织学染色和诊断程序是劳动密集的,耗时的,需要重复的手动解释.
- 深度学习为组织学图像上的自动癌症检测提供了潜力,但传统的工作流仍然是一个瓶.
研究的目的:
- 开发一种弱监督的学习方法,用于使用虚拟组织学染色的无标签组织切片进行LUAD分类.
- 通过将自发光图像转换为虚拟的H&E染色图像,实现快速,经济高效和可解释的病理检查.
- 评估基于注意力的多实例学习模型在虚拟H&E染色全幻灯片图像 (WSI) 上的性能.
主要方法:
- 使用一个弱监督的深度生成模型,将无标签组织的自光图像转换为虚拟的H&E染色图像.
- 一个基于注意力的多实例学习模型被训练为在开源和收集H&E染色的WSIs上进行LUAD分类.
- 该模型的性能通过使用标准H&E染色和虚拟H&E染色WSIs的曲线下面面积 (AUC) 度量来验证.
主要成果:
- 该模型在标准的H&E染色WSIs (AUC为0.961) 上取得了高性能,在虚拟的H&E染色WSIs (AUC为0.973比0.977) 上取得了类似的结果.
- 从虚拟H&E染色的WSIs生成的注意热图有效地指示了瘤区域,类似于地面真实H&E图像.
- 虚拟染色方法显示出强大的诊断能力,与传统方法相美.
结论:
- 拟议的使用虚拟H&E染色图像的无标签组织的诊断工作流程为病理检查提供了快速,经济有效和可解释的替代方案.
- 这种方法可以帮助临床医生进行术后病理评估,并有可能适应其他成像方法和疾病.
- 该研究强调了深度学习和虚拟染色的可行性,以实现高效和准确的LUAD分类.
