对于病理图像分类的深度学习方法
1Medmain Research, Medmain Inc., Fukuoka, Japan; Division of Anatomy and Cell Biology of the Hard Tissue, Department of Tissue Regeneration and Reconstruction, Niigata University Graduate School of Medical and Dental Sciences, Niigata, Japan.
Journal of oral biosciences
|November 22, 2025
概括
深度学习模型通过对整个幻灯片图像进行分类来增强病理诊断. 新方法解决了罕见癌症的有限数据,提高了诊断准确度,并支持精准医学.
科学领域:
- 病理学 病理学 病理学
- 计算机辅助诊断是一种计算机辅助的诊断.
- 深度学习是一种深度学习.
背景情况:
- 深度学习模型自动化了病理学中的整个幻灯片图像解释.
- 分类模型在区分癌症亚型和预测分子特征方面表现有前途.
- 有限的标记数据,特别是对于罕见的癌症,限制了传统的深度学习方法.
研究的目的:
- 审查用于在病理学中开发基于分类的深度学习模型的方法.
- 探索克服癌症诊断深度学习数据局限性的策略.
- 突出深度学习在推进精准医学中的作用.
主要方法:
- 使用卷积和循环神经网络进行监督学习.
- 雇主转移学习以改善模型培训,使用稀缺的数据集.
- 介绍使用模拟器和公式驱动方法生成合成数据.
主要成果:
- 转移学习有效地提高模型训练效率,使用有限的数据.
- 合成数据生成和公式驱动的方法解决了传统数据集的局限性.
- 像概率热图这样的可视化工具对于模型验证和解释性至关重要.
结论:
- 深度学习模型将越来越多地支持精准医学,超越诊断,延伸到预后和治疗.
- 深度学习中的增强智能为病理学提供了全面的临床支持.
- 鉴于病理学日益增长的需求和资源限制,这些进展至关重要.