深度学习用于多类瘤细胞检测在遗传扩散胃癌的组织病理幻灯片遗传扩散胃癌

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 遗传性扩散性胃癌 (HDGC) 由于扩散性透和异质性,因此存在诊断挑战.
• 精确识别扩散性胃癌 (DGC) 细胞对于了解瘤进展至关重要.

研究的目的:

• 开发和评估深度学习模型,用于在H&E染色幻灯片中自动检测DGC细胞类型.
• 将AI模型的性能与人类病理学家和基线算法进行比较.

主要方法:

• 在一个多中心数据集上训练nnU-Net深度学习模型,其中包括来自43名HDGC患者的350张全幻灯片图像.
• 标注了超过91,000个细胞,包括典型/非典型的签戒细胞和非签戒瘤细胞.
• 使用五位病理学家和Faster R-CNN基线的读者研究进行基准表现.

主要成果:

• nnU-Net获得了0.49的F1评分,超过了病理学家观察者间协议和Faster R-CNN.
• 该模型在估计病变大小和细胞类型分布方面展示了人类水平的性能.
• 人工智能模型在支持DGC瘤检测和分析方面显示出显著的潜力.

结论:

• 深度学习,特别是nnU-Net,为HDGC中的自动DGC细胞检测提供了一个强大的工具.
• 这项技术可以提高DGC诊断和研究的准确性和效率.
• 人工智能辅助分析有望改善罕见胃癌的治疗结果.