基于注意力的全幻灯片图像压缩实现了多器官病理学水平预先查 常规组织病理学活检
Witali Aswolinskiy1, Rachel S van der Post1, Michela Campora2
1Department of Pathology, Radboud University Medical Center, Nijmegen, The Netherlands.
概括
一种新的深度学习方法,神经图像压缩与注意力 (NIC-A),自动化癌症检测在数字病理学全幻灯片图像. 这种弱监督的方法实现了病理学家水平的表现,有助于早期发现癌症并减少病理学家的工作量.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 对结直肠和宫癌的查计划增加了对组织病理学分析的需求.
- 在全幻灯片图像中用于自动癌症检测的深度学习显示了显著的潜力.
- 弱监督学习提供了一种解决方案,可以在没有手动注释的情况下对整个幻灯片图像进行分类.
研究的目的:
- 开发和验证一个弱监督的深度学习方法,用于自动化本病理学分析.
- 评估神经图像压缩与注意力 (NIC-A) 模型在分类组织异常方面的性能.
- 评估NIC-A在协助病理学家预选工作流程方面的潜力.
主要方法:
- 利用来自9,141个组织块的12,580个全幻灯片图像的数据集进行培训和验证.
- 采用一种弱监督的深度学习方法,以注意力进行神经图像压缩 (NIC-A),并使用病理学报告的标签.
- 引入了幻灯片包装,将多个幻灯片的组织合并到一个单一的图像中,与块级标签相连接.
主要成果:
- 通过NIC-A成功分类的结肠和宫组织会滑入癌症,高度生殖不良,低度生殖不良和正常类别.
- 该模型还在十二指肠活检中检测到乳病.
- 对结肠和子宫病理学家的性能验证显示了病理学家水平的准确性.
结论:
- 该NIC-A方法在检测和分类数字病理学的异常方面展示了病理学家级别的性能.
- 这种人工智能驱动的方法具有很大的潜力,可以帮助病理学家进行预先选,从而减少工作量.
- 使用弱监督学习的全幻灯片图像的自动分析可以提高常规诊断的效率.
