一个新的数据集用于核和组织细分在黑色素瘤与基线核细分和组织细分基准数据集
Mark Schuiveling1, Hong Liu2, Daniel Eek2
1Department of Medical Oncology, University Medical Center Utrecht, Utrecht University, 3584 CG Utrecht, the Netherlands.
GigaScience
|February 19, 2025
概括
PUMA数据集有助于开发用于黑色素瘤分析的深度学习模型,改善瘤透淋巴细胞 (TIL) 检测,克服手动评估的变化. 这增强了皮肤癌的预后和预测生物标志物的发展.
科学领域:
- 计算病理学计算病理学
- 发现生物标志物的发现.
- 人工智能在瘤学中的应用
背景情况:
- 黑色素瘤是一种侵袭性皮肤癌,依赖瘤透性淋巴细胞 (TILs) 作为复发和治疗反应的生物标志物.
- 手动TIL评估受到了观察者之间的变化,现有的深度学习模型缺乏可访问性和最佳性能.
- 深度学习提供了对TIL和其他免疫细胞的一致空间评估,以提高预后和预测价值.
研究的目的:
- 创建高级黑色素瘤 (PUMA) 数据集中核和组织的全视分段,用于开发黑色素瘤特异性的深度学习模型.
- 在本数据集上评估最先进的深度学习模型的性能.
- 为了证明启发式后处理以提高模型性能.
主要方法:
- 开发PUMA数据集,包括155个主要和155个转移性黑色素瘤区域,包括核和组织注释.
- 在PUMA数据集上培训和评估几个深度学习模型,包括Hover-NeXt.
- 启发式后处理的应用,以改进基于组织定位的核细胞类别识别.
主要成果:
- 普马数据集为黑色素瘤核和组织细分提供了全面的注释.
- 在PUMA上训练的Hover-NeXt模型在淋巴细胞检测方面取得了高性能,接近人类观察者之间的协议.
- 启发式后处理显著改善了检测不太常见的核类,如上皮细胞的检测.
结论:
- PUMA数据集是开发先进核和组织细分模型的第一个黑色素瘤特异性资源.
- 这些模型对于开发黑色素瘤新型预后和预测生物标志物至关重要.
- 普马挑战利用这一数据集,促进癌症研究深度学习的进一步进展.
