在乳腺癌淋巴结微转移的病理图像上进行转换器优化与元学习
Jing Huang1, Jingtao Wang2, Junhai Shi1
1Department of Pathology, Soochow Medical College, Soochow University, Suzhou, China.
NPJ digital medicine
|July 9, 2025
概括
我们开发了MetaTrans,这是一种新的深度学习网络,可以使用有限的数据检测淋巴结中的微小乳腺癌转移. 这种方法在各种癌症和成像类型中表现强,有助于早期癌症检测.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 淋巴结微转移是癌症扩散的早期指标,对预后至关重要.
- 有限的损伤大小给手动分析和传统的深度学习模型带来了挑战.
- 精确检测微转移对于有效的癌症治疗策略至关重要.
研究的目的:
- 开发一个新的深度学习网络,MetaTrans,以使用有限的病理图像数据集准确检测淋巴结微转移.
- 评估MetaTrans在多中心数据集上的表现及其在零射击学习场景中的能力.
- 证明MetaTrans在各种癌症类型和成像条件中检测微转移的适应性.
主要方法:
- 利用元学习技术来应对病理图像分析中有限数据集的挑战.
- 开发了一个新型网络MetaTrans,在34类数据集 (MT-MCD) 上进行培训,用于识别微转移.
- 在两个不同的多中心数据集上验证了MetaTrans,并评估了其在手术内诊断的零射击性能.
主要成果:
- 与最先进的方法相比,MetaTrans在识别淋巴结微转移方面取得了卓越的性能.
- 该网络在零射击学习中表现出高效率,用于手术内冷部位诊断.
- 在乳腺癌,甲状腺癌和结直肠癌中,MetaTrans成功地发现了微转移,并适应了来自数字相机的图像.
结论:
- 通过Meta-learning克服数据限制,MetaTrans为检测微转移提供了一个强大而可靠的解决方案.
- 该模型具有强大的跨领域适应性和特定任务可靠性,在病理学中显示出显著的翻译潜力.
- 这种人工智能驱动的方法提高了在各种临床环境中检测微转移的准确性和效率.
