可扩展,值得信赖的生成模型,用于从H&E全幻灯片图像中虚拟多染色

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:

• 传统的化学染色是耗时的,昂贵的,并且对环境有影响.
• 虚拟染色提供了一个加速和灵活的替代方案.
• 生成型人工智能对虚拟染色具有前景,但在医疗保健中面临信任和透明度挑战.

研究的目的:

• 开发一种可靠,可扩展和可适应的生成人工智能方法,用于计算病理学中的虚拟染色转换.
• 为了使多种染色类型的生成从单一的血素和 (H&E) 图像.
• 提高虚拟染色技术的准确性和可靠性.

主要方法:

• 开发了一种支持多个染色解码器的单一H&E编码器,以优先考虑隐性空间区域,以精确生成合成染色.
• 在培训期间整合了无标签的知识,专门的损失功能和规范化,以尽量减少文物.
• 使用训练有素的歧视者和信任热图的实时自我检查方法来建立信任.
• 自动质量检查确保生成的合成幻灯片具有高质量并符合H&E分布.

主要成果:

• 该方法成功地从单个H&E幻灯片同时产生了八种不同的污点.
• 通过仅加载必要的模型组件来实现可扩展性的好处.
• 在配对和不配对的虚拟染色设置中都展示了更高的准确性.
• 一个新的儿科克罗恩病幻灯片数据集被策划为进一步研究提供支持.

结论:

• 提出的生成人工智能方法为计算病理学中的虚拟染色提供了强大的解决方案,提高了效率和可信度.
• 该系统可通过基于云的开源平台访问,促进采用和用户反.
• 这项工作为通过可靠的人工智能驱动的虚拟染色来推进数字病理诊断提供了基础.