人工智能驱动的深度学习模型可以通过准确计数整个幻灯片图像中的细胞类型来提高癌症诊断

东芬兰大学的研究人员开发了一种先进的深度学习模型，可以预测肿瘤微环境中的存在并计算各种细胞类型。多模态深度学习方法有望提高癌症诊断和治疗计划的准确性和效率。

识别肿瘤微环境中存在的不同类型的细胞可以提供关于肿瘤组织学和潜在生物学的有价值的信息。准确可靠的细胞类型计数对于研究和临床应用也是必要的。研究人员可以使用细胞计数来研究肿瘤微环境中不同细胞类型的分布及其与患者预后的关系。在临床实践，细胞计数可用于监测对治疗的反应和跟踪疾病进展。

“在病理学图像中需要更好的细胞类型计数方法深度学习方法．目前基于分割和回归的方法存在局限性，例如需要精确的像素级注释，难以处理重叠核或模糊区域，以及缺乏单个细胞类型位置的信息。此外，概率模型往往会产生不确定的预测，并可能导致对预测的过度自信，”博士研究员Raju Gudhe说，他在东芬兰大学临床医学研究所的癌症人工智能研究团队中为开发拟议的方法做出了贡献。

该研究在圣地亚哥举行的SPIE医学成像2023年会议上发表，提出了一种新的证据多任务深度学习方法，简称CT-EMT，以解决当前全幻灯片肿瘤图像中细胞类型计数方法的局限性。该方法将细胞类型密度估计和细胞类型计数作为回归任务，将核分割作为像素级分类任务。作者在两个开源数据集上训练和评估了模型:PanNuke和MoNuSAC。

提出的细胞类型分割和计数方法在平均全景质量方面优于最先进的HoVer-Net和StarDist模型，相对提高了21%和12%。

开发的模型可以提供不同细胞类型的令人信服的解释，并可应用于计算病理学中的各种下游任务，如肿瘤分级、预后和治疗计划。这项工作将有助于开发更准确、更强大的数字病理工具，帮助病理学家和临床医生进行诊断和治疗癌症患者．

东芬兰大学高级研究员Hamid Behravan说:“UEF癌症人工智能研究团队旨在探索在癌症和健康数据分析中使用深度学习技术的潜力。”

“我们的研究将涉及尖端深度学习算法的开发和评估，用于分析癌症和各种类型的健康相关数据，包括医学图像、基因组数据和电子健康记录。我们相信，这种方法有可能显著提高乳腺癌诊断和治疗计划的准确性和效率，并促进在癌症数据中发现新的见解和模式。我们希望我们的研究将有助于精准医疗的发展，以及开发更有效和个性化的乳腺癌预防和预后方法。”