新的机器学习方法比目前的方法更好地检测食管癌

最近，深入学习方法已经显示了对显微镜图像中的组织学模式分析的有希望的结果。然而，这些方法需要通过称为“兴趣区域注释”的病理学家造成费力，高成本的手动注释过程。达特茅斯和达特尔茅斯 - 希区克诺里斯棉癌中心的一支研究小组，由Saeed Hassanpour，Ph.D，通过开发一种基于关注的深度学习方法，解决了当前方法的缺点，该方法在整个 - 临床上学习临床重要地区幻灯片图像以对它们进行分类。

该团队在高分辨率上测试了鉴定癌症和癌前食道组织的新方法显微镜图像不对兴趣区域注释培训。“我们的新方法表现出目前的最先进的方法，要求为其培训提供这些详细的注释，”哈桑顿州总结道。它们的结果，“检测组织病理学幻灯片的癌症和癌前食管组织使用注意力的深神经网络”将发布Jama Network开放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整个幻灯片图像的感兴趣区域，以便于培训计算机模型。“数据注释是发展现代深层学习方法的最耗时和艰苦的瓶颈，”Hassanpour说明。“我们的研究表明，用于组织病理学幻灯片分析的深度学习模型可以在组织水平上用标签培训，从而消除了对高成本数据的需求注解并为扩大数字病理学深度学习的应用创造新的机会。“

该团队提出了Barrett食管和食管腺癌检测网络，发现其性能超过现有最先进的方法。“结果很重要，因为我们的方法完全基于组织级注释，与基于手动注释的地区的现有方法不同，”Hassanpour说。他希望这个模型开辟新的途径，以应用深入学习数字病理学。“我们的方法将促进更广泛的研究，分析了以前不可能的组织病理学图像，由于缺乏详细的注释。这些系统的临床部署可以帮助读取病理学家组织病理学更准确，高效地幻灯片，这是一个关键任务癌症诊断，预测预后，治疗癌症患者。“

展望未来，Hassanpour的团队正计划通过从其他机构的数据和运行前瞻性临床试验的数据测试其进一步进一步验证他们的模型。他们还计划申请建议模型对于其他类型的肿瘤和病变的组织学图像，训练数据是稀缺或边界盒注释的损伤。

---

---