基于深度学习的 H&E 乳腺癌全切片图像中与缺氧有关的形态特征检测
原文中文,约500字,阅读约需2分钟。发表于: 。本研究展示了一种使用深度学习评估乳腺癌组织学形态学下低氧相关特征的新方法。通过对组织切片图像的训练和评估,我们证明了弱监督深度学习模型可以准确检测常规 H&E 全切片图像中的低氧相关特征,并展示了低氧和正常氧组织区域特征之间的显著差异。该方法具有潜在可将其扩展到其他肿瘤类型,并能轻松集成到病理工作流程中而不需要额外昂贵的化验分析。
本研究提出了一种可解释的机器学习方法LymphoML,用于淋巴瘤亚型分类。该方法通过处理组织样本,提取形态特征,并训练模型进行诊断预测。LymphoML在有限量的组织样本上表现出较高的准确性,并在跨越8个淋巴瘤亚型的数据集上胜过深度学习。通过分析特征影响,发现核形状特征对DLBCL和典型霍奇金淋巴瘤具有鉴别性。此外,将组织特征与免疫染色特征相结合的模型也具有较高的准确性。