使用基础模型对外科切除边缘进行自主标记

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 手术病理学手术病理学

背景情况:

• 对切除边缘的准确评估对于手术病理学的患者结果至关重要.
• 目前用于边缘划分的物理墨水方法是可变的,并且可以被像体这样的文物所掩盖.
• 标准化和自动化是数字病理学工作流程中可靠的边际评估所需的.

研究的目的:

• 开发和验证一个虚拟墨水网络 (VIN),用于在整个幻灯片图像上自主定位外科切割表面.
• 减少对物理油墨的依赖,并标准化对外科边缘的审查.
• 为数字病理学中边缘划分提供可复制,无墨水的方法.

主要方法:

• 开发了一个虚拟墨水网络 (VIN),用于特征提取的冷基础模型和用于补丁级分类的双层多层感知子.
• 该模型在约2TB的血素和乙素 (H&E) 染色的人类桃体组织幻灯片 (约120个幻灯片) 上接受了训练,病理学家提供了注释.
• 在20个以前未见过的幻灯片上进行了盲测试,以评估VIN在边缘划分方面的表现.

主要成果:

• 该VIN成功地产生了连贯的边缘叠加,这些叠加在质量上与系列部分的专家注释保持一致.
• 定量分析显示,测试组的区域级准确率约为73.3%.
• 错误是局部的,并没有破坏整个幻灯片边缘图的整体连续性,表明VIN捕获与关联的组织形态学.

结论:

• 虚拟墨水网络 (VIN) 展示了从整个幻灯片图像中自主划分外科边缘的能力.
• VIN提供了一种可复制和无墨水的边际评估方法,适合集成到数字病理学中.
• 这项技术有可能提高在常规病理学实践中边际评估的标准化和效率.