通过深度学习的镜头来看脑瘤组织病理学:系统性审查
Chun Kiet Vong1, Alan Wang2, Mike Dragunow3
1Auckland Bioengineering Institute, The University of Auckland, New Zealand; Centre for Brain Research, The University of Auckland, New Zealand.
Computers in biology and medicine
|January 9, 2025
概括
机器学习 (ML) 和深度学习 (DL) 在质母细胞瘤 (GBM) 研究中表现有前途,结合组织学和体质学数据的研究趋势越来越强. 然而,为了可重复性,需要清楚报告ML/DL方法.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 机器学习 (ML) 和深度学习 (DL) 正在推动疾病研究.
- 尽管疾病的复杂性,它们在质母细胞瘤 (GBM) 组织病理学中的应用仍然有限.
- 对GBM的组织病理学研究可以从先进的计算技术中显著受益.
研究的目的:
- 系统地审查ML/DL在脑瘤组织病理学中的应用.
- 专门调查ML/DL对质母细胞瘤 (GBM) 研究进展的影响.
- 确定在GBM研究中使用的ML/DL方法的趋势.
主要方法:
- 在PubMed和ScienceDirect上对54项研究进行了系统审查.
- 提取关于瘤类型, -omics和组织病理学数据整合,数据来源,ML/DL模型和培训/评估方法的数据.
- 分析重点是确定ML/DL应用在GBM研究中的趋势.
主要成果:
- 只有8项审查的研究专注于质母细胞瘤 (GBM).
- 这些GBM研究越来越多地整合了最近发表的组织学和 -omics数据.
- 支持矢量机 (SVM) 分类器和基于ResNet的卷积神经网络 (CNN) 是常见的,但方法报告往往不足.
结论:
- 在利用ML/DL用于质母细胞瘤 (GBM) 研究方面存在明显的上升趋势.
- 将生物和病理学数据与ML/DL集成,为GBM病原发生提供了新的见解.
- 标准化和透明的ML/DL方法报告对于模型的稳定性,通用性和可重复性至关重要.
