多任务自适应解决方案网络用于淋巴结转移的诊断从整个幻灯片图像结肠直肠癌的癌症

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字病理学数字病理学

背景情况:

• 淋巴结转移的自动检测对于癌症诊断和治疗计划至关重要.
• 目前的方法与复杂,异质的瘤微环境和杂的瘤亚型作斗争.
• 精确的LNM亚型是必不可少的,但由于细微的形态差异,这是一项挑战.

研究的目的:

• 提出MAR-Net,一个多任务适应性解决网络,用于精确的LNM检测和复杂混合类型癌症的亚型.
• 提高模型处理异质瘤微环境的能力,并划分混合的亚型.
• 通过自动化分析,提高诊断准确度,减少病理学家的工作量.

主要方法:

• 开发了一个分辨率意识模块,以提取多个尺度,多个分辨率特征以实现全面的表示.
• 实施了多任务学习方法,用于同时检测和分类型的LNM,以提高稳定性和性能.
• 设计了一个层次分类改进 (HSR) 算法,使用病理学家知识的细分模型来纠正错误分类.

主要成果:

• 在3个私人和1个公共癌症数据集 (554个世界癌症数据集,48万个贴片) 上,MAR-Net表现出了优于最先进的方法的性能.
• 在LNM检测中达到0.5%至3.2%更高的AUC.
• 在LNM亚型中达到3.8%至4.4%更高的AUC.

结论:

• 在复杂的混合类型癌症中,MAR-Net有效地解决了LNM检测和亚型化方面的挑战.
• 拟议的多任务自适应分辨网络和HSR算法显著提高了诊断准确性.
• 这种自动化方法显示出有很大的潜力来协助病理学家和提高癌症诊断.