自动瘤细胞性测量:基于人工智能的多器官病理成像管道
Suk Min Ha1, Young Sin Ko1,2, Youngjin Park1
1AI Research Center, Seegene Medical Foundation, Seoul, Korea.
Studies in health technology and informatics
|August 23, 2024
概括
人工智能在病理图像中准确测量瘤细胞性 (TC),克服了跨器官应用和聚类细胞计数方面的挑战. 这种自动化方法提高了评估瘤负担的一致性和效率.
科学领域:
- 数字病理学数字病理学
- 计算机成像成像技术
- 人工智能在瘤学中的应用
背景情况:
- 瘤细胞性 (TC) 对于评估器官瘤负担至关重要,但由于图像体积和观察者间的变化,手动计数是不切实际的.
- 现有的人工智能模型难以将胰腺训练的数据应用于结肠图像,并准确地细分聚类细胞.
研究的目的:
- 开发和验证人工智能管道,用于在数字病理图像中准确和自动评估瘤细胞性.
- 解决人工智能驱动病理学中跨器官概括和聚类细胞细分的挑战.
主要方法:
- 一个新的管道,包括通道规范化,用于在各器官之间一致的RGB标准化.
- 介绍CacoX,一种专门的细胞细分模型,利用协调注意门和非局部学习进行精确的定位.
- 应用一个分水算法,在分段输出中自动分离集群细胞.
主要成果:
- 拟议的管道在PAIP 2023挑战赛中获得了第三名.
- 95.69%的类间相关性 (ICC) 得分表明了高度的一致性和准确性.
- 该方法有效地处理了跨器官数据挑战,并改善了聚类细胞分离.
结论:
- 开发的AI管道为数字病理学中自动化瘤细胞性测量提供了强大的解决方案.
- 与手工方法相比,这种方法提高了一致性,效率和准确性.
- 这些发现突出了专门的人工智能模型和算法的潜力,以推进癌症负担评估.
