DeepLuAd:通过刺激的拉曼散射,通过语义引导的肺腺癌虚拟组织病理学

科学领域:

• 计算病理学计算病理学
• 生物医学光学 生物医学光学
• 医学中的人工智能

背景情况:

• 肺腺癌的精确组织学分类对于临床管理至关重要.
• 传统的血素和欧 (H&E) 染色提供了形态数据,但缺乏生物化学特异性,阻碍了瘤微环境的分析.
• 对肺腺癌亚型的定量分析受到当前染色方法的限制.

研究的目的:

• 开发一个由人工智能驱动的平台,DeepLuAd,用于肺腺癌的自动化和定量分析.
• 将无标签刺激拉曼散射 (SRS) 显微镜与深度学习相结合,以增强基因病理学.
• 为了实现自动瘤分类,细分和形态化学定量,而无需组织染色.

主要方法:

• 开发DeepLuAd,一个结合刺激拉曼散射 (SRS) 显微镜和语义引导深度学习的AI平台.
• 实现自动瘤分类,细分和细胞水平的形态化学量化.
• 无监督的虚拟H&E染色用于综合形态和生化分析.

主要成果:

• 在肺组织亚型细分方面,DeepLuAd实现了平均交叉超过联合 (mIoU) 的80.43%.
• 该平台显示,病理学家诊断的分级一致率为76.2%.
• 脂质与蛋白质比率异质性的定量映射揭示了疾病进展的生化特征.

结论:

• DeepLuAd为数字肺腺癌分析提供了一个可解释和可扩展的框架.
• 该平台统一了形态和生化信息,而不需要染色.
• 这种人工智能增强的组织病理学方法显示了对其他固体瘤的应用潜力.