3D病理学数据集的深度学习分类,以进行全面和高效的病理学家评估

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 医学中的人工智能

背景情况:

• 标准基因病理学 (2D) 低样本异质组织,每个部分代表<1%的总组织体积.
• 3D病理学技术,如开放式光板显微镜 (OTLS),可提供大型标本的全面高分辨率成像.
• 对大规模3D数据集的手动审查对于常规的临床病理学是不可行的.

研究的目的:

• 开发一个深度学习框架 (CARP3D) 以有效的病理学家评估3D病理学数据.
• 通过将病理学家的注意力集中在高风险区域,使3D病理学能够加速临床采用.
• 改善疾病检测并优化临床环境中的病理学家工作量.

主要方法:

• CARP3D是一种深度学习分类框架,旨在在3D病理学数据集中识别高风险的2D截面.
• 该框架通过结合邻近深度级别的上下文信息,将风险分数分配到2D级别.
• 使用两个用例来评估性能:前列腺癌活检风险分层和巴雷特食道扩张/癌症查.

主要成果:

• 在大型3D病理数据集中,CARP3D成功地识别了高风险的2D截面.
• 利用邻近深度上下文,与使用孤立的2D层次的模型相比,提高了预测准确性.
• 通过人工智能选的3D病理学证明了提高高风险疾病检测和优化病理学家工作负载的潜力.

结论:

• 卡普3D可方便病理学家对大型3D病理学数据集进行时间高效的评估.
• 这种方法增强了3D病理学的潜力,改善了疾病检测和临床决策.
• CARP3D代表了将高级3D病理学纳入常规临床实践的可行途径.