在数字病理学中,通过使用CNN和弱注释来进行循环瘤细胞计数的混合智能方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 用于癌症查的循环瘤细胞 (CTC) 手动计数是劳动密集型的.
• 深度学习 (DL) 在医疗图像分析方面表现有前途.

研究的目的:

• 开发一种混合人工智能系统,用于自动化CTC计数.
• 将细胞病理学家的专业知识与DL卷积神经网络 (CNN) 结合起来.

主要方法:

• 开发了一个由三个组件组成的混合系统:基于CNN的检测/本地化 (弱注释),基于CNN的细分和支持矢量机 (SVM) 分类.
• 使用B尺度转换用于球形性,包含大小,纹理和SVM输入的面积.
• 在光镜图像上进行培训和验证,用于CTC检测,细分和计数.

主要成果:

• 实现了高精度 (0.98) 和回忆 (0.92) 的CTC检测,与最先进的方法相比.
• 在一个独立的数据集上显示了2-3% (B级) 的低计数误差.
• 显著超过以前的值方法 (30%的误差).

结论:

• 混合AI方法为CTC计数提供了一种高效和准确的方法.
• 这种系统有可能减少与癌症查相关的时间和成本.
• 这些发现支持对象本地化和细分的进一步研究.