一个深度学习框架部署任何细分来检测从血素和色染色的幻灯片的泛癌线性数字
Zhuoyan Shen1, Mikaël Simard2, Douglas Brand2,3
1Department of Medical Physics and Biomedical Engineering, University College London, London, UK. zhuoyan.shen.18@ucl.ac.uk.
Communications biology
|December 20, 2024
概括
这项研究介绍了一种人工智能模型,即优化线粒体发生器网络 (OMG-Net),用于精确检测癌症图像中的线粒体图形. 它显著提高了分级准确性,并有助于更好的治疗决策.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 医学中的人工智能.
背景情况:
- 精确的线粒体数计数对于癌症分级至关重要,但是劳动密集型和主观的.
- 线粒体图形识别的观察者间变异性可能导致错误分类和低于最佳的患者治疗.
- 现有的线粒体图形检测数据集在规模和多样性上往往是有限的.
研究的目的:
- 开发一种高性能,可泛化的人工智能 (AI) 方法,用于在数字化基因病理图像中自动检测 mitotic 图形.
- 创建最大的公开可用的线粒体数据集,以促进人工智能模型培训和验证.
- 通过减少 mitotic 数字识别的主观性来提高癌症分级的准确性和一致性.
主要方法:
- 通过结合内部和开源数据,创建一个全面的线粒体数据集 (N=74,620).
- 开发一个两阶段的人工智能框架,即优化菌体发生器网络 (OMG-Net).
- 使用分段任何模型进行细胞轮,然后使用ResNet18分类器进行线粒体图形识别.
主要成果:
- OMG-Net在胰腺癌线粒体数字检测方面获得了高F1分数0.84分.
- 该模型与现有的最先进的方法相比,在持久测试套件上表现出更高的性能.
- 开发的管道允许用于计算机辅助检测的可泛化数据创建和策划.
结论:
- 该研究提出了一个强大的AI驱动的解决方案,用于准确和高效的线粒体数字检测.
- 优化瘤生成器网络 (OMG-Net) 在各种癌症类型的计算机辅助诊断方面取得了重大进展.
- 这项工作为提高癌症分级准确度和潜在改善患者治疗策略提供了宝贵的工具.
