人工智能辅助的多模型病理诊断乳腺癌基于多谱自光图像的基础上

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 在乳腺癌病理学中的传统体化学染色是耗时的,并消耗有价值的组织样本.
• 需要快速,非破坏性的方法来生成诊断级的病理图像.

研究的目的:

• 开发和验证一种新的框架,用于乳腺癌组织的无标签,虚拟的血素和素 (H&E) 染色.
• 提高虚拟染色的真实性和诊断准确性,使用多光谱自光成像和深度学习.

主要方法:

• 集成多光谱自光成像与优化的深度学习架构 (增强的CycleGAN).
• 构建一个多式数据库,包括临床标本,小鼠模型和有机生物共同培养.
• 增强CycleGAN的突出性和全局特征一致性损失,以提高未配对数据集的性能.

主要成果:

• 从多光谱自发光图像中实现了高保真度,H&E相当的虚拟染色.
• 82.2%的虚拟染色图像在盲目的病理学家评估中获得了与传统染色相比的临床分数.
• 与传统染色相比,关键诊断指数没有显示出统计差异.

结论:

• 开发的框架能够快速,非破坏性地生成诊断级乳腺癌病理图像.
• 这种虚拟染色方法最大限度地提高了宝贵的活检样本的效用,用于随后的分子分析 (例如,单核RNA测序).
• 该技术有可能用于各种生物系统的临床诊断和机制研究.