深度学习启用了基于癌症透模式的胰腺神经内分泌瘤的评分
Soner Koc1,2, Ozgur Can Eren3,4, Rohat Esmer5
1Department of Computer Engineering, Koc University, Istanbul, Turkey.
Endocrine pathology
|January 23, 2025
概括
这项研究引入了一个自动化的深度学习系统,用于分类胰腺神经内分泌瘤 (PanNETs). 新的计算管道使用图形神经网络来分析瘤透模式,提高诊断准确性和减少观察者变化.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 胰腺神经内分泌瘤 (PanNETs) 是不同的瘤,预后不同.
- 目前世卫组织对泛网的分级和透模式评分依赖于主观的人类判断,导致观察者变化.
- 缺乏使用定量指标进行PanNET分类的自动化系统.
研究的目的:
- 开发和验证一个新的计算管道,用于PanNETs的自动分类.
- 为了满足PanNET分类中客观,定量指标的需求.
- 为了减少PanNET诊断中的观察者内部和观察者间的变异性.
主要方法:
- 开发了一个使用图形神经网络 (GNN) 的深度学习管道,以自动分类PanNETs.
- 管道构建实体图表,代表细胞及其在瘤微环境中的关系.
- 领域知识被整合到GNN的构建和培训中,以加强对建筑变化的分析.
主要成果:
- 开发的管道在一个由105个PanNET组织的全幻灯片图像组成的测试集上获得了76.70%的F1得分.
- 该领域知识综合方法在现有方法上显示出了显著的改进.
- 该系统通过分析单元级特征及其空间组织来定量描述泛网.
结论:
- 拟议的计算管道代表了使用深度学习和GNN进行PanNET分类的第一个自动化系统.
- 将域名知识集成到GNN模型中可以提高PanNET分类的准确性.
- 这种方法为客观和可重复的PanNET诊断提供了一个有希望的解决方案,减少了对主观解释的依赖.
