提高结肠直肠癌瘤芽检测使用深度学习从常规的H&E染色幻灯片

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 机器学习在瘤学中

背景情况:

• 瘤芽是结直肠癌的关键预后因素,但从H&E染色幻灯片的手动评估是主观的,缺乏可重现性.
• 瘤芽评估中的观察者间和观察者内部变异性导致深度学习模型的训练数据噪音很大,阻碍了它们的概括.
• 目前的方法,如泛细胞胺染色,不是常规的,可以产生错误的阳性,需要替代方法.

研究的目的:

• 开发一种弱监督的深度学习方法,使用标准的H&E染色结肠直肠癌图像进行准确的瘤芽检测.
• 引入贝叶斯多个实例学习 (BMIL),以提高瘤芽检测模型的概括性和稳定性.
• 克服手工计数的局限性和非常规染色方法的需要.

主要方法:

• 用一种弱监督的深度学习方法来检测瘤芽,只需要组织级的注释.
• 使用贝叶斯多个实例学习 (BMIL),在培训期间整合来自多个注释区域的信息.
• 该方法在29张H&E染色结直肠癌图像的数据集上得到验证,平均每张幻灯片有115个瘤芽,使用六倍交叉验证.

主要成果:

• 开发的弱监督深度学习方法在瘤芽检测中实现了0.94的平均精度和0.86的回忆.
• 贝叶斯的多个实例学习 (BMIL) 方法在识别瘤芽方面表现出更好的概括性和稳定性.
• 该方法成功地从常规的H&E图像中检测出瘤芽,而无需依赖免疫组织化学染色.

结论:

• 弱监督的深度学习与贝叶斯多个实例学习相结合,为结直肠癌中瘤芽检测提供了一种可行和可重复的方法.
• 这种方法通过使用标准的H&E图像来提高深度学习模型的通用性,减少对专业染色的依赖.
• 这些发现表明,通过自动化和可靠的瘤芽分析,有可能改善结直肠癌的预后评估.