人工智能增强的病理学:转移学习的经验和乳腺癌转移检测的域内数据多样性

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 机器学习在医学中的应用

背景情况:

• 哨兵淋巴结转移是乳腺癌预后和治疗的关键.
• 全幻灯片成像 (WSI) 能够使计算机辅助的诊断系统用于病理学.
• 自动化方法可以提高转移检测的一致性和效率.

研究的目的:

• 开发一种使用转移学习对血素和素 (HE) WSIs进行计算高效的转移检测方法.
• 通过将免疫组织化学 (IHC) WSIs 的注释转移到 H&E 幻灯片来生成细分口罩.
• 通过可视化工具增强模型的解释性.

主要方法:

• 转移学习应用于HE WSIs,使用来自IHC WSIs的细分口罩.
• 在各种数据集组合和增强技术中微调预训练的ResNet50模型.
• 使用彩色编码的概率图来识别瘤区域的可视化工具的开发.

主要成果:

• 在培训期间整合外部数据集 (Camelyon16) 显著提高了模型性能.
• 在外部和本地数据上进行训练的最佳模型实现了0.98准确度和F1得分.
• 开发的方法在转移检测方面超过了现有的最先进的方法.

结论:

• 通过多源数据集成和可解释性框架转移学习可以增强WSIs中的转移性检测.
• 该方法实现了与黄金标准相美的诊断性能,同时加速了分析工作流.
• 外部数据和可视化的结合提供了临床可操作,高效和可解释的解决方案.