人工智能在病理学中的应用为子宫内膜癌诊断提供了新的见解

人工智能在病理学中的应用为子宫内膜癌诊断提供了新的见解
im4MEC深度学习管道。(A)将整张幻灯片图像在40倍放大倍率下分割成360 μm不重叠的方形瓦片,调整大小至224 × 224像素。(B)从每张整张幻灯片图像中采样最优的瓷砖数量,为MoCo-v2自监督学习模型构建训练数据集。(C)在最后一层使用自监督学习编码器ResNet-50从整个幻灯片图像的所有tile中提取特征,得到大小为2048的特征。(D)训练模型对整个幻灯片图像进行分子分类,为每个瓦片和分子类分配注意分数。注意力热图显示从低注意力(蓝色)到高注意力(红色)。(E)前20个参与瓷砖仅从预测的注意力分支中提取。在子宫内膜癌平片图像数据集上训练的核分割和分类深度学习模型HoVer-Net的预测用于计算三种细胞类型的计数以及肿瘤核的大小和形状(附录1 p 29)。随后的分析描述了这些形态特征与分子类的关联,并用支持向量机测量了它们的相对特征重要性。错配修复蛋白缺乏。 NSMP=no specific molecular profile. p53abn=abnormal cellular tumor antigen p53 expression. Credit:《柳叶刀》数字健康(2022)。DOI: 10.1016 / s2589 - 7500 (22) 00210 - 2

莱顿大学医学中心(LUMC)病理科的研究显示了人工智能(AI)应用于子宫内膜癌显微镜图像的力量。Tjalling Bosse博士的团队提供了新的见解,可以改善子宫癌的诊断和治疗。他们的研究结果发表在《柳叶刀》数字健康

子宫内膜癌是最常见的妇科的。都在LUMC并进行转化研究,以改善这些患者的护理。在过去的几年里,LUMC在开发一种新的肿瘤分类系统方面发挥了主导作用,导致四种子宫内膜癌亚型。仅凭显微镜图像,是否有可能预测这些分子类别?

成千上万的图片

老板和同事们申请了来自参与研究的患者的数千张子宫内膜癌的显微图像。他的团队开发了一种模型,基于一种(苏木精和伊红)染色的显微镜切片图像,可以可靠地预测子宫内膜癌的四种分子类别,这是诊断中用于评估肿瘤分级和组织学分型的标准组织学染色。

这个模型不是“黑盒”,但通过逆向工程,研究人员能够显示哪些图像特征与它的预测相关。该模型为研究团队提供了重要的新见解,可用于未来的研究,以进一步提高子宫内膜癌患者的诊断、预测和管理。

人工智能的新兴应用

“人工智能在病理学中的应用正在兴起。在这个项目中,我们研究了具有相同分子改变的肿瘤的形态,以更好地了解这些变化对肿瘤外观的影响。有了这项工作引导我们找到肿瘤内外的重要区域,”博斯指出。

“在癌症诊断中,变量(分子、肿瘤形态、患者数据)的数量呈指数级增长,并使患者预后预测复杂化。通过训练无偏见的人工智能模型,人工智能预测也可以教病理学家,例如,在显微镜载玻片图像上识别具有预后价值的新形态细节,”Sarah Fremond说。

更多信息:Sarah Fremond等人,从苏木精和伊红染色的全切片图像中预测子宫内膜癌分子分类的可解释深度学习模型:PORTEC随机试验和临床队列的联合分析,《柳叶刀》数字健康(2022)。DOI: 10.1016 / s2589 - 7500 (22) 00210 - 2
所提供的莱顿大学
引用:病理学中的人工智能应用揭示了子宫内膜癌诊断的新见解(2022,12月16日)检索于2022年12月20日从//www.pyrotek-europe.com/news/2022-12-ai-application-pathology-reveals-insights.html
这份文件受版权保护。除为私人学习或研究目的而进行的公平交易外,未经书面许可,不得转载任何部分。内容仅供参考之用。

进一步探索

一种改善侵袭性子宫内膜癌治疗的新治疗策略

27股票

对编辑的反馈