基于深度学习的犬类扩散型大B细胞淋巴瘤的形态细分
Kenneth Ancheta1, Androniki Psifidi2, Andrew D Yale2
1Pathobiology and Population Science, Royal Veterinary College, Hatfield, United Kingdom.
Frontiers in veterinary science
|September 10, 2025
概括
一个新的AI工具,HawksheadNet,准确地使用整个幻灯片图像来区分犬类扩散性大B细胞淋巴瘤 (cDLBCL) 和良性疾病. 这种卷积神经网络 (CNN) 方法有助于兽医诊断,提高淋巴瘤检测的准确性和效率.
科学领域:
- 兽医病理学 兽医病理学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 是人类和狗的常见癌症.
- 狗DLBCL (cDLBCL) 是具有侵略性的,目前的诊断依赖于耗时的组织病理学.
- 在兽医中需要更快,更准确的诊断工具.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 用于区分cDLBCL与反应性淋巴细胞增生 (RLH) 在狗淋巴结活检中.
- 介绍HawksheadNet,一种新的CNN架构用于癌症图像分类.
- 评估斑点正常化对CNN性能的影响.
主要方法:
- 整个幻灯片图像 (WSIs) 的H&E染色犬类淋巴结被数字化.
- 用于图像预处理,使用了修改后的阿根廷协议.
- 头网 (HawksheadNet) 是一个轻量级的CNN,在一个分为训练,验证和测试集的数据集上进行训练和微调.
- 使用StainNet应用了污点正常化.
主要成果:
- 头网络在StainNet规范化图像上实现了0.9691的接收器操作特征 (AUROC) 下的高面积,以区分cDLBCL与RLH.
- 美国有线电视新闻网 (CNN) 的表现优于其他预先训练的模型,如EfficientNet,Inception和MobileNet.
- 使用式预测的WSI细分提供了与病理学家解释一致的视觉诊断辅助工具.
结论:
- 卷积神经网络,特别是头网络,显示出从WSIs获得准确cDLBCL诊断的巨大潜力.
- 斑点正常化对于优化兽医癌症图像分析中的CNN性能至关重要.
- 这种人工智能驱动的方法可以增强兽医诊断工作流程,可能改善患者护理和预后.
