开发一个低成本的,开源的,本地制造的工作站和计算管道,用于使用深度学习进行自动化组织病理学评估

科学领域:

• 生物医学工程 生物医学工程
• 计算病理学计算病理学
• 在瘤学瘤学.

背景情况:

• 公平的全球癌症护理受到精准医学技术的高成本的阻碍,特别是在资源较低的环境中.
• 数字病理学和人工智能为民主化个性化癌症诊断提供了潜在的解决方案.
• 现有的数字病理工作站价格过高,限制了它们在全球的可用性.

研究的目的:

• 用开源组件来描述一种新的,低成本 ($230) 的工作站,用于使用开源组件进行数字幻灯片捕获和计算分析.
• 与昂贵的硬件相比,评估深度学习模型在使用低成本工作站获得的病理图像上的预测性能.
• 为了验证不同癌症类型的模型性能:头部和部状细胞癌 (HNSCC),肺癌和乳腺癌.

主要方法:

• 使用开源组件开发一台价值230美元的数字幻灯片捕捉工作站.
• 使用低成本工作站图像对传统高成本硬件的深度学习模型性能进行比较分析.
• 对HNSCC (HPV状态),肺癌 (亚型) 和乳腺癌 (组织学类型) 分类的三个数据集的验证.

主要成果:

• 低成本的开源工作站实现了与乳房,肺部和HNSCC分类的传统方法相匹配的准确性.
• 接收器操作特征曲线下面的区域 (AUROC) 值显示出强大的预测性能:HNSCCHPV状态为0.84,肺癌亚型为1.0,乳腺癌分类为0.80.
• 尽管图像质量下降和与低成本系统相关的计算能力较低,但模型性能仍然保持不变.

结论:

• 通过低成本,开源硬件和深度学习,大大降低数字病理部署的成本是可行的.
• 这种方法可以显著降低在资源有限的环境中访问先进诊断工具的障碍.
• 通过低成本解决方案改善获得尖端诊断的机会,可以帮助缓解高收入和低收入地区之间的癌症护理差异.