ImSpect:以图像驱动的自我监督学习,用于用质谱仪进行外科边缘评估
Laura Connolly1, Fahimeh Fooladgar2, Amoon Jamzad3
1Queen's University, Kingston, ON, Canada. laura.connolly@queensu.ca.
概括
一个新的ImSpect框架将iKnife质谱数据转换为用于深度学习分析的图像. 这种方法改善了基底细胞癌手术中的实时手术边缘评估.
科学领域:
- 在瘤学瘤学.
- 医疗器械 医疗器械
- 人工智能的人工智能
背景情况:
- 实时手术边缘评估对于癌症患者的治疗结果至关重要.
- iKnife (质谱仪器) 显示出在手术内边缘检测方面的前景.
- 现有的iKnife研究缺乏与最先进的计算机视觉模型和数据集的整合.
研究的目的:
- 开发一个新的框架 (ImSpect) 用于使用iKnife数据增强外科边缘表征.
- 利用深度学习和自我监督来改善实时组织分析.
- 为了弥合iKnife技术和先进的计算机视觉技术之间的差距.
主要方法:
- ImSpect框架将1D iKnife质谱数据转换为2D图像.
- 最先进的图像分类网络应用于这些二维图像.
- 自我监督是用来训练模型在大量的未标记的手术内数据.
主要成果:
- ImSpect框架超越了之前的基底细胞癌 (BCC) 手术中边际评估的基准标准.
- 在接收器操作特征曲线 (AUC) 下的面积达到了81%.
- 创建了注意力地图,以评估深度学习模型发现的生物相关性.
结论:
- 建议使用iKnife质谱数据来描述外科边缘的新方法.
- 该ImSpect框架允许将先进的深度学习模型应用于iKnife数据.
- 这种方法有可能改善癌症手术期间的实时决策.
更多相关视频
08:16Optimal Preparation of Formalin Fixed Samples for Peptide Based Matrix Assisted Laser Desorption/Ionization Mass Spectrometry Imaging Workflows
Published on: January 16, 2018
8.9K
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.7K
