使用风格转移数字病理学对结肠血素和欧进行数据驱动的核子子分类.
Lucas W Remedios1, Shunxing Bao2, Samuel W Remedios3,4
1Vanderbilt University, Department of Computer Science, Nashville, Tennessee, United States.
Journal of medical imaging (Bellingham, Wash.)
|November 7, 2024
概括
这项研究引入了一种新的人工智能方法,用于识别以前无法分类的细胞类型,如辅助T细胞和上皮原生细胞,在标准的血素和 (H&E) 染色组织图像上,从而推进组织学分析.
科学领域:
- 计算病理学计算病理学
- 历史学 历史学 历史学
- 医学中的人工智能
背景情况:
- 血素和欧 (H&E) 染色是组织分析的标准,但在详细的细胞亚型分类方面存在困难.
- 现有的AI模型在识别H&E图像上的特定上皮细胞,淋巴细胞和结合细胞亚型方面存在局限性.
研究的目的:
- 开发一种跨模式学习方法,用于在H&E染色组织上对以前无法标记的细胞类型进行分类.
- 克服当前人工智能的局限性,在表皮,淋巴细胞和结缔组织内识别特定细胞亚型.
主要方法:
- 利用多重免疫光学 (MxIF) 组织学进行详细的细胞分类和注释.
- 采用风格转移,从MxIF数据创建合成H&E图像.
- 在虚拟的H&E图像上训练了一个受监督的学习模型,并在虚拟和真实的H&E数据集上评估它.
主要成果:
- 在虚拟H&E上对辅助T细胞和上皮原生细胞的分类取得了积极的预测值.
- 通过将预测类与更粗的标签相匹配,适应真实H&E的分类,为这些细胞类型产生上限正预测值.
结论:
- 这项研究提出了第一个成功的细胞类型分类,帮助T和上皮原生细胞核直接在H&E染色图像上.
- 开发的方法增强了H&E染色的能力,用于组织学中详细的细胞亚型识别.


