多中心组织学图像整合与多尺度深度学习技术支持基于机器学习的儿童肉瘤分类 现已可供购买

《Cancer Research》：Multicenter Histology Image Integration and Multiscale Deep Learning Support Machine Learning–Enabled Pediatric Sarcoma Classification Available to Purchase

儿童肉瘤亚型分类研究利用多机构867张全玻片图像，通过SAMPLER流程结合深度学习优化，发现视觉Transformer（如UNI、CONCH）相比传统模型精度更高（AUC 0.961），多尺度特征增强分类效果，两阶段流程有效识别罕见Ewing肉瘤，训练速度提升三个数量级且无需GPU。

　　

打开图像查看器

摘要

儿童肉瘤的诊断具有挑战性，因为它们较为罕见且亚型多样，通常需要专门的病理学知识和昂贵的基因检测。为了克服这些障碍，我们开发了一种基于深度学习方法的计算流程，能够从数字化的组织学切片中准确分类儿童肉瘤的亚型。为了确保分类器的泛化能力并减少中心特异性误差，我们收集并整合了来自三个医疗中心和儿童肿瘤组的867张全切片图像（WSI）。系统地评估了多种卷积神经网络和视觉变换器（ViT）架构作为基于SAMPLER的WSI表示的特征提取器，并测试和优化了输入参数，如瓦片大小组合和分辨率。分析表明，先进的ViT基础模型（UNI和CONCH）的性能显著优于早期方法，结合多尺度特征进一步提高了分类准确性。优化后的模型表现出色，能够以0.969的AUC区分横纹肌肉瘤（RMS）和非RMS软组织肉瘤（NRSTS），以及以0.961的AUC区分RMS的不同亚型（肺泡型与胚胎型）。此外，两阶段流程能够有效识别稀有的Ewing肉瘤图像与其他NRSTS（AUC = 0.929）。与用于WSI表示的传统变换器-编码器架构相比，这些基于SAMPLER的分类器训练速度快三个数量级，而且完全不需要图形处理单元。这项研究表明，数字组织病理学结合严格的图像标准化为儿童肉瘤分类提供了一个强大的解决方案。

意义：

将多机构数据集与已发布的流程相结合的方法扩展了基于成像的诊断能力，为资源有限和偏远地区的准确、快速癌症诊断创造了可能性。

本文是“利用计算研究、数据科学和机器学习/人工智能推动癌症发现”专题系列的一部分

数据可用性

H&E全切片图像（WSI）和处理后的数据可应合理要求提供，并将托管在Imaging Data Commons平台上。所有其他原始数据可向相应作者索取。

1 / 17

跳转到图分享导航 分享 下载