对非小细胞肺癌大脑转移的深度学习预测的长度研究
Haowen Zhou1, Siyu Lin1, Mark Watson2
1Department of Electrical Engineering, California Institute of Technology, Pasadena, CA, 91125, USA.
Scientific reports
|September 27, 2024
概括
深度学习模型可以通过专注于特定特征大小来预测肺癌幻灯片中的大脑转移. 了解这些尺度可以指导更好的数字病理学和显微镜设计,以改善癌症诊断.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 组织病理学成像成像
背景情况:
- 数字病理学中的深度神经网络 (DNN) 提供了高精度,但缺乏可解释性.
- 了解特征尺度对于临床见解和设计更好的显微系统至关重要.
研究的目的:
- 开发一种方法来评估DNN在数字病理学中的预测特征长度尺度.
- 分析DNN用于预测肺癌中大脑转移的特征规模.
主要方法:
- 应用了一种新的方法来量化H&E染色全片图像上的DNN注意力.
- 在细胞 (高达5微米) 和组织 (超过41微米) 层面分析特征长度尺度.
- 研究了图像分辨率对DNN预测能力的影响.
主要成果:
- 对转移的DNN预测能力随着分辨率高达5微米的增加.
- DNN利用了宏观组织架构特征,优化了视野> 41微米的视野.
- 在整个幻灯片图像上进行最佳DNN学习的量化长度尺度要求.
结论:
- 该研究提供了对DNN特征尺度偏好在病理学的关键见解.
- 这些发现可以指导未来光学显微镜的设计,以加强人工智能驱动的诊断.
- 为癌症检测中的临床应用提供了改进的深度学习分析.
