在10亿像素图像中发现预后模式 FINDING PROGNOSTIC PATTERNS IN GIGAPIXEL IMAGES

在10亿像素图像中发现预后模式
1、Advances in AI applying deep learning to digital pathology images can stratify patients by risk.
2、Limitations of Pathologist-Guided Prognostics
3、Capturing Prognostic Patterns with Deep Learning
4、From Hypothesis to Risk Prediction
5、The Challenge of Gigapixel Images
6、Further Advances and the Unique Power of Histopathology

人工智能在数字病理图像中应用深度学习的进展可以根据风险对患者进行分层。

使用人工智能的计算病理学应用正变得越来越复杂。从检测和分类细胞和组织到预测生物标志物和病人的结果。更简单的任务依赖于病理学家对组织中特定特征的注释。但生物标记和结果更为复杂。算法必须在没有任何组织区域或其外观特征重要的先验知识的情况下，解读整个大型幻灯片图像。风险分层已经可以通过癌症分期、分子特征或临床变量来完成。然而，改善预后的见解是一个活跃的研究领域。预后指的是患者在接受标准治疗后可能出现的结果。以原位导管癌(DCIS)为例——一种侵袭前的乳腺癌。许多公司不会变得具有侵略性——但哪些公司会呢?在病理学家评估此类损伤时，观察者之间存在很大的差异[Van Bockstal, Groen]。佐治亚州立大学的研究人员开发了一种算法，利用数字化的全幻灯片图像来预测10年内DCIS局部复发的风险[Klimov]。危险分层还意味着预测是否会发生远处转移或病人可能活多久。不管目标是什么，创建这样一个算法的挑战都是相似的。整个幻灯片图像较大，组织外观多样。与发现有丝分裂或节段组织类型的方法不同，病理学家不能注释组织的哪些区域与病人的预后相关——至少不能有任何高度的确定性。

病理