一种新的机器学习方法比当前方法更好地检测食管癌
最近，深度学习方法显示了分析显微镜图像中组织学模式的有希望的结果。但是，这些方法需要由称为“利益区域注释”的病理学家进行艰苦，高成本的手动注释过程。由Saeed Hassanpour博士领导的达特茅斯（Dartmouth）和达特茅斯（Dartmouth-Hitchcock）诺里斯棉花癌中心（Norris Cotton Cancer Center）的一个研究团队通过开发一种新型基于注意力的深度学习方法来解决当前方法的这种缺点，该方法自动学习有关临床上重要的整体地区 -滑动图像以对它们进行分类。
该小组测试了他们在高分辨率上鉴定癌症和癌前食管组织的新方法显微镜图像无需培训利率注释。Hassanpour总结道：“我们的新方法优于当前的最新方法，要求其培训这些详细注释。”他们的结果是“使用基于注意的深度神经网络在组织病理学幻灯片上检测癌性和癌前食管组织”将发布在JAMA网络开放在2019年11月初。
对于组织病理学图像分析，手动注释过程通常概述了高分辨率全幻灯片图像的感兴趣区域，以促进训练计算机型号。Hassanpour指出：“数据注释是开发现代深度学习方法中最耗时和费力的瓶颈。”“我们的研究表明，组织病理学幻灯片分析的深度学习模型只能在组织水平上使用标签进行培训，从而消除了对高成本数据的需求注解并创造了扩大深度学习在数字病理学中的应用的新机会。”
该小组提出了Barrett食管和食道腺癌检测网络的网络，发现其性能超过了现有的最新方法。Hassanpour说：“结果很重要，因为我们的方法仅基于组织级注释，这与基于手动注释区域的现有方法不同。”他希望这种模型开放新的途径，以将深度学习应用于数字病理。“我们的方法将促进有关分析组织病理学图像的更广泛的研究，这些图像由于缺乏详细的注释而无法进行。此类系统的临床部署可以帮助病理学家阅读。组织病理学幻灯片更准确，有效，这是癌症诊断，预测癌症患者的预后和治疗。”
展望未来，哈桑普尔（Hassanpour）的团队计划通过对其他机构的数据进行测试并运行前瞻性临床试验，以进一步验证其模型。他们还计划应用建议的模型对于其他类型的肿瘤和病变的组织学图像，训练数据稀缺或边界盒注释不可用。
