AI-powered深学习模式可以提高癌症诊断的准确计数细胞类型在整个幻灯片图像

东芬兰大学的研究人员已经开发出一种先进的深度学习模型来预测存在和计算各种细胞类型的肿瘤微环境。多深的学习方法有望提高癌症诊断和治疗计划的准确性和效率。

识别不同类型的细胞在肿瘤微环境可以提供有价值的信息对肿瘤的组织学和潜在的生物学。准确和可靠的细胞类型计算也是必要的研究和临床应用。研究人员可以利用细胞计数研究肿瘤微环境中的不同细胞类型的分布及其与患者的结果。在临床实践,细胞计数可用于监测治疗反应和跟踪疾病进展。

“需要更好的细胞计数在病理图像使用的方法深度学习的方法。当前方法基于分割和回归有局限性,比如要求精确进行像素级注释,难以处理重叠核或被遮挡的区域,和缺乏个别细胞类型的信息的位置。此外,概率模型往往会产生不确定的预测和预测会导致过度自信,”博士研究员Raju Gudhe说导致发展中该方法在癌症临床医学人工智能研究所的研究团队,芬兰东部大学。

这项研究提出了2023年学报医学成像在圣地亚哥,提出了一种新的证据多任务深度学习的方法,总之CT-EMT,解决现有方法的局限性肿瘤细胞计数在整个幻灯片图像。该方法制定细胞密度估计和细胞类型计算回归任务,和细胞核分割进行像素级分类的任务。作者已经训练和评估模型在两个开源数据集:PanNuke MoNuSAC。

该细胞类型划分和计算方法有比最先进的HoVer-Net StarDist模型和相对提高21%和12%,意味着展示全景的质量。

开发模型可以提供令人信服的解释不同的细胞类型,可以应用于各种下游任务计算病理,肿瘤分级、预后和治疗计划。这项工作将有助于更准确更健壮的数字病理发展的工具,可以帮助病理学家和临床医生在诊断和治疗癌症患者。

UEF癌症“人工智能研究小组的目标是探索使用深度学习技术的潜在癌症和健康数据分析,“大学的高级研究员哈米德Behravan说芬兰东部。

“我们的研究将涉及的开发和评价尖端深入学习算法分析癌症和各种与健康有关的数据,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的诊断和治疗的准确性和效率计划,以及促进新见解和模式的发现在癌症数据。我们希望我们的研究将有助于精密医学的进步和发展的更有效和个性化的乳腺癌预防和预后的方法。”