基于学习的B细胞和T细胞淋巴瘤在组织病理图像上的分类:一个多中心研究

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 医疗成像医学成像

背景情况:

• 淋巴瘤诊断依赖于分类各种亚型,通常需要多个免疫组织化学染色.
• 有限的活检样本可以限制染色,使精确的淋巴瘤诊断复杂化.
• 准确分类B细胞和T细胞淋巴瘤对于治疗至关重要.

研究的目的:

• 评估深度学习模型用于分类B细胞和T细胞淋巴瘤的可行性.
• 为了比较人工智能模型与人类病理学家在淋巴瘤分类中的表现.

主要方法:

• 从B细胞和T细胞淋巴瘤中分析了1510个H&E染色的基因病理部位.
• 使用CBAMs增强的卷积神经网络 (CNN) 模型 (Xception,NASNetL,ResNet50,EfficientNet) 的部署.
• 基于分类准确性,精度和回忆的绩效评估.

主要成果:

• 所有CNN模型都表现出强大的淋巴瘤分类能力.
• EfficientNet实现了最高的准确性 (91.5%) 和精度 (91.9%).
• Xception模型显示出最好的回忆 (91.5%),在准确性和速度上超过了人类病理学家.

结论:

• 深度学习模型在组织病理学图像上有效地分类B细胞和T细胞淋巴瘤.
• 人工智能驱动的分类提高了诊断精度,减少了大量手工染色的需要.
• 人工智能集成为病理学家提供了重要的支持,增强了诊断工作流程.