一个轻量级和可扩展的细胞细分和分类模型,用于H&E染色癌症全片图像

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 机器学习在瘤学中

背景情况:

• 临床癌细胞分析在数字病理学中面临挑战,原因是数据限制,注释不一致性和高计算成本.
• 现有的工具在H&E染色的整张幻灯片图像中难以进行细粒度细胞水平分析,这阻碍了临床实用性.

研究的目的:

• 为癌症数字病理学开发一种轻量级,可扩展的细胞细分和分类模型.
• 通过在推断时实现更细粒度的细胞标签来提高模型性能和可用性.
• 为更广泛的临床整合解决基础模型的计算需求.

主要方法:

• 通过改进PanNuke和MoNuSAC注释,创建了一个统一的数据集,包含七种与瘤相关的细胞类型.
• 使用H-optimus-0基础模型作为固定编码器,以改善特征表示.
• 应用知识蒸以减少模型大小和复杂性,同时保持性能.
• 将蒸模型集成到QuPath数字病理学平台中.

主要成果:

• 与基于CNN的模型相比,实现了较好的细分和分类性能 (平均R2从0.575增加到0.871;平均PQ得分从0.450提高到0.492).
• 蒸模型保持了性能,参数数量减少了48倍.
• 证明了与细胞计数和细分质量的增强对齐.

结论:

• 开发的方法为数字病理学中的癌细胞分析提供了计算效率高和高性能解决方案.
• 集成到QuPath有助于临床工作流的采用,可能减少病理学家的工作量,并改善诊断结果.
• 为了更广泛的适用性,需要对不同类型的细胞和组织进行进一步的验证.