可解读的多尺度深度学习用于检测细胞块中的恶性瘤和多流的细胞学涂抹,并识别激进的子宫内膜癌
Ching-Wei Wang1, Hikam Muzakky1, Yu-Pang Chung1
1Graduate Institute of Biomedical Engineering, National Taiwan University of Science and Technology, Taipei, 10607, Taiwan.
Medical image analysis
|August 8, 2025
概括
一个新的深度学习框架,IMA-SSL,使用细胞学图像准确地区分恶性肺溢液 (MPE) 和良性肺溢液 (BPE). 这种人工智能工具为肺癌和乳腺癌患者提供更快,更可靠的诊断,改善治疗决策.
科学领域:
- 病理学 病理学 病理学
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肺部周围的液体积累,可以是恶性 (MPE) 或良性 (BPE).
- 准确的MPE诊断对于有效的癌症治疗至关重要,但目前的细胞学等方法具有局限性,包括低灵敏度和观察者之间的变异性.
- MPE通常与肺癌和乳腺癌有关,而BPE可能是感染或心力衰竭的结果.
研究的目的:
- 开发和验证一个深度学习 (DL) 框架,用于从细胞全片图像 (WSI) 中准确识别MPE和BPE.
- 评估拟议的DL模型与现有最先进的 (SOTA) 方法在恶性瘤预测中的性能.
- 评估DL框架的临床适用性,用于早期癌症诊断和个性化治疗计划.
主要方法:
- 开发了一个深度学习框架,即可解释的多尺度注意力DL与自我监督的学习特征编码器 (IMA-SSL).
- IMA-SSL模型在194个细胞涂抹WSIs和188个流细胞块WSIs上进行了训练和测试.
- 模型性能与五种SOTA方法进行了比较,其可靠性通过使用费舍尔对膜溢出和子宫内膜癌数据集的精确测试来验证.
主要成果:
- 拟议的IMA-SSL框架在预测细胞块和细胞学涂抹数据集的恶性瘤方面表现出卓越的表现.
- IMA-SSL在肺溢恶性瘤预测方面表现优于五种SOTA方法,并且在识别侵袭性子宫内膜癌方面也表现出有效性.
- 在模型的预测和幻灯片状态之间观察到高度显著的相关性 (p < 0.001),证实了其可靠性.
结论:
- IMA-SSL深度学习框架提供了一种高度准确和可靠的方法,用于区分恶性和良性流.
- 这种人工智能工具具有实际临床应用的潜力,可以从具有成本效益的细胞学样本中更快地进行初步诊断.
- 早期和准确检测恶性细胞可以显著促进个性化癌症治疗决策.
