针对慢性病的淋巴体的深度学习驱动的免疫组织化学分析:生物信息学和组织病理学研究

科学领域:

• 腎臟病學 (nephrology) 是一種醫學.
• 计算病理学计算病理学
• 医学成像分析 医学成像分析

背景情况:

• 脏淋巴血管密度对于诊断脏疾病至关重要,但目前是主观评估.
• 评估淋巴血管密度的现有方法耗时且容易出现人为错误.

研究的目的:

• 开发和评估一个弱监督的,基于注意力的多级学习框架,用于自动检测和定量淋巴血管密度.
• 评估框架在用D2-40.0染色的全幻灯片图像 (WSI) 上的性能.

主要方法:

• 使用从慢性病 (CKD) 和高血压瘤 (HTN) 数据集中的D2-40染色WSIs开发了一个集群受约束的注意力多实例学习 (CLAM) 模型.
• 该CLAM模型执行了联合实例选择和集群,超过了传统的多实例学习 (MIL) 模型.
• 我们创建了注意力地图,以可视化和解释模型的发现.

主要成果:

• CLAM框架实现了高精度,接收器下面的面积为0.942的CKD和0.858的HTN的运行特征曲线.
• 在这两个数据集上,CLAM显著超过了经典的MIL模型.
• 生成的注意力图准确地突出显示了淋巴丰富的区域,与专家病理学家的评估保持一致.

结论:

• 开发的框架允许完全自动和可重复量化从WSIs的脏淋巴血管密度.
• 这种方法为病理学家在诊断和分层化CKD和HTN患者的风险方面提供了宝贵的视觉和数值支持.