使用深度學習分類並預測NSCLC組織病理學圖像

2021-02-15 SCI天天讀

Visual inspection of histopathology slides is one of the main methods used by pathologists to assess the stage, type and subtype of lung tumors.

組織病理學載玻片的目視檢查是病理學家用於評估肺腫瘤的階段，類型和亞型的主要方法之一。

Adenocarcinoma (LUAD) and squamous cell carcinoma (LUSC) are the most prevalent subtypes of lung cancer, and their distinction requires visual inspection by an experienced pathologist.

腺癌（LUAD）和鱗狀細胞癌（LUSC）是最常見的肺癌亞型，它們的需要經驗豐富的病理學家進行目視檢查來區分。

In this study, we trained a deep convolutional neural network (inception v3) on whole-slide images obtained from The Cancer Genome Atlas to accurately and automatically classify them into LUAD, LUSC or normal lung tissue.

在這項研究中，我們在從癌症基因組圖譜獲得的全幻燈片圖像上訓練了一個深度卷積神經網絡（初始v3），以準確和自動地將它們分類為LUAD，LUSC或正常肺組織。

The performance of our method is comparable to that of pathologists, with an average area under the curve (AUC) of 0.97.

我們的方法的表現與病理學家的表現相當，曲線下的平均面積（AUC）為0.97。

Our model was validated on independent datasets of frozen tissues, formalin-fixed paraffin-embedded tissues and biopsies.

我們的模型在冷凍組織，福馬林固定的石蠟包埋組織和活組織檢查的獨立數據集上得到驗證。

Furthermore, we trained the network to predict the ten most commonly mutated genes in LUAD.

此外，我們訓練網絡預測LUAD中十個最常見的突變基因。

We found that six of them—STK11, EGFR, FAT1, SETBP1, KRAS and TP53—can be predicted from pathology images, with AUCs from 0.733 to 0.856 as measured on a held-out population.

我們發現其中6個-STK11，EGFR，FAT1，SETBP1，KRAS和TP53-可以從病理圖像中預測，在保持的人群中測量的AUC為0.733-0.856。

These findings suggest that deep-learning models can assist pathologists in the detection of cancer subtype or gene mutations.

這些研究結果表明，深度學習模型可以幫助病理學家檢測癌症亞型或基因突變。

Our approach can be applied to any cancer type, and the code is available at https://github.com/ncoudray/DeepPATH

我們的方法可以應用於任何癌症類型，代碼可以通過以下網址獲得：

https://github.com/ncoudray/DeepPATH

相關焦點

  • 掌握深度學習,數據不足也能進行圖像分類!
    ——吳恩達圖像分類即根據固定類別對輸入的圖像設置標籤。儘管計算機視覺過於簡單，但是它在實際中仍有廣泛的應用，而圖像分類就是其中的核心問題之一。在本文中，小芯將示範如何在數據不足的情況下應用深度學習。現已創建特製汽車和巴士分類器兩個數據集，每個數據集包含100個圖像。其中，訓練集有70個圖像，驗證集有30個。挑戰1.
  • [Nature] 開啟單細胞組織病理學新篇章,Hyperion助力臨床腫瘤分類...
    研究人員通過Hyperion獲得乳腺癌組織包含35個marker的表達數據的高維圖像，圖中展示的是Hyperion的檢測原理，研究所使用的Panel設計，以及部分偽彩組織圖片；利用Hyperion組織成像質譜流式系統（簡稱Hyperion
  • 一文探討可解釋深度學習技術在醫療圖像診斷中的應用
    公平、可信地使用人工智慧，是在現實世界中部署人工智慧方法或模型的關鍵因素。本文重點關注可解釋深度學習方法在醫療圖像診斷中的應用。由於醫學圖像自有的特點，構建用於醫療圖像分析的可解釋深度學習模型與其它領域中的應用是不同的。本文依託於綜述性文章[1]，首先回顧了可解釋性方法的主要分類以及可解釋深度學習在醫療圖像診斷領域中應用的主要方法。
  • 2019口腔組織病理學重點:涎腺腫瘤分類
    2019口腔組織病理學重點：涎腺腫瘤分類 涎腺腫瘤分類1.腺瘤多形性腺瘤;肌上皮瘤;基底細胞腺瘤;Warthin 瘤或腺淋巴瘤;2.癌腺泡細胞癌;粘液表皮樣癌(好成績化、低分化);腺樣囊性癌;肌上皮癌
  • 零基礎入門深度學習(六):圖像分類任務之LeNet和AlexNet
    :0001 導讀本課程是百度官方開設的零基礎入門深度學習課程，主要面向沒有深度學習技術基礎或者基礎薄弱的同學，幫助大家在深度學習領域實現從0到1+的跨越。>個性化推薦算法的原理、實踐本周為開講第四周，百度深度學習技術平臺部資深研發工程師孫高峰，開始講解計算機視覺中圖像分類任務。
  • 基於PyTorch圖像特徵工程的深度學習圖像增強
    介紹在深度學習黑客競賽中表現出色的技巧（或者坦率地說，是任何數據科學黑客競賽） 通常歸結為特徵工程。 當您獲得的數據不足以建立一個成功的深度學習模型時，你能發揮多少創造力？我是根據自己參加多次深度學習黑客競賽的經驗而談的，在這次深度黑客競賽中，我們獲得了包含數百張圖像的數據集——根本不足以贏得甚至完成排行榜的頂級排名。那我們怎麼處理這個問題呢？
  • 深度學習與圖像識別 圖像檢測
    CNN等為什麼對圖像領域更加有效，因為其不但關注了全局特徵，更是利用了圖像識別領域非常重要的局部特徵，應該是將局部特徵抽取的算法融入到了神經網絡中。圖像本身的局部數據存在關聯性，而這種局部關聯性的特徵是其他算法無法提取的。深度學習很重要的是對全局和局部特徵的綜合把握（2）深度學習不是一個黑箱系統。
  • 前沿研究丨深度學習在醫學超聲圖像分析中的應用
    深度學習是機器學習的一個分支，也是一種表徵學習方法，能夠直接處理原始數據（如超聲圖像），並從中自動學習到中層與高層抽象特徵。它有潛力進行各種超聲圖像任務的自動分析，如病變/結節分類、組織分割與目標檢測等。
  • 圖像識別中的深度學習【香港中文大學王曉剛】
    它將高維圖像空間分成若干個局部區域，每個局部區域至少存儲一個從訓練數據中獲得的模板，如圖1(a)所示。淺層模型將一個測試樣本和這些模板逐一匹配，根據匹配的結果預測其類別。例如，在支持向量機模型中，模板是支持向量;在最近鄰分類器中，模板是所有的訓練樣本。隨著分類問題複雜度的增加，需要將圖像空間劃分成越來越多的局部區域，因而需要越來越多的參數和訓練樣本。
  • 機器學習項目實踐:30+ 必備資料庫(預測模型、圖像分類、文本分類)
    原標題：機器學習項目實踐：30+ 必備資料庫（預測模型、圖像分類、文本分類） 1 新智元編譯 預測模型與機器學習專用資料庫 UCI Machine Learning Repository - UCI機器學習庫顯然是最著名的資料庫，也是尋找與機器學習知識庫相關數據集最常去的地方之一。
  • 一場深度學習引發的圖像壓縮革命
    AlexNet 開啟了深度學習黃金時代，隨之而來是深度學習在圖像識別上的蓬勃發展：2013 年，ZF Net 以 11.2% 的低失誤率奪得 ILSVRC 冠軍；2014 年，VGG Net 在ILSVRC「分類及定位」比賽單項賽上的失誤率為 7.3%，同年，GoogLeNet以 6.7% 的失誤率取得 ILSVRC 冠軍
  • 深度| 變革的開始,深度學習將如何改變醫療成像領域?
    分類器將特徵向量與對應的候選部位是實際病變的概率做映射。使用深度學習而不是手動設計的特徵的直接方法是訓練在以候選病變為中心的一組圖像圖像數據上操作的 CNN。本期的幾篇文章都使用了這種方法。為了 獲取 3D 胸部 CT 掃描的肺結節的候選以及提取以這些候選部位為中心的 9 個不同的方向的 2D 貼片，Setio et al. [12] 結合了先前開發的三種候選探測器。
  • Nature | 幹細胞圖片資料庫共享,深度學習預測細胞外觀
    據Nature最新報導，艾倫細胞科學研究所（Allen Institute for Cell Science）今天發布的網站Allen Cell Explore，包含數千個幹細胞的三維立體圖像，不止是發現每個細胞的獨特外觀，通過深度學習算法，該研究所還對細胞的外觀進行了預測。
  • OpenCV+深度學習預訓練模型,簡單搞定圖像識別 | 教程
    而OpenCV最近一次版本更新，為我們帶來了更好的深度學習支持，在OpenCV中使用預訓練的深度學習模型變得非常容易。當然，我們不能、也不該用OpenCV訓練深度學習模型，但這個新版本讓我們能把用深度學習框架訓練好了的模型拿來，高效地用在OpenCV之中。這篇文章就展示了如何用ImageNet上預訓練的深度學習模型來識別圖像。
  • 健康保衛戰:深度學習在使用胸部X光照片預測疾病上的應用
    研究小組使用了NVIDIA的CUDA（統一計算設備架構）程序設計模型，並且是使用GPU來運行和提升他們的算法的，這些設備能幫助算法來定位疾病並且描述它當前的如位置、嚴重性、病灶大小和影響的器官等狀態。之所以使用GPU來進行計算，是因為GPU的運作原理非常符合深度學習程序所需要的特點：執行命令很有效率，並且能承擔巨量的並行計算，這使得程序可以同時開始大量的分析進程，加快學習的速度。
  • 深度學習不是萬靈藥!神經網絡3D建模其實只是圖像識別?
    但近期一項研究表明，幾乎所有基於深度神經網絡的3D中重建工作，實際上並不是重建，而是圖像分類。深度學習並不是萬能的！深度學習並不是萬靈藥。近幾年，隨著深度學習的大熱，許多研究攻克了如何從單張圖片生成3D模型。從某些方面似乎再次驗證了深度學習的神奇——doing almost the impossible。
  • 如何將深度學習應用於無人機圖像的目標檢測
    本文全面概述了基於深度學習的對無人機航拍圖像進行物體檢測的方法。隨著基於深度學習的計算機視覺為這些無人機「提供動力」，行業專家們預測無人機將在以前難以想像的應用場景中被前所未有地廣泛使用。我們將探索一些應用以及伴隨著它們的挑戰，這些應用基於深度學習完成了基於無人機的自動化監測。在最後，我們將展示一個使用Nanonets機器學習框架對非洲住房項目進行遠程監測的案例。
  • 優必選雪梨 AI 研究院何詩怡:基於課程學習的強化多標籤圖像分類...
    雷鋒網 AI 科技評論按：與單標籤圖像分類相比，多標籤圖像分類是一種更符合真實世界客觀規律的方法，尤其在圖像和視頻的語義標註，基於內容的圖像檢索等領域有著廣泛的應用
  • 深度學習下的醫學圖像分析(二)
    在《深度學習下的醫學圖像分析》系列的第一篇文章中，我們介紹了一些使用OpenCV和DICOM圖像基礎知識進行圖像處理的過程。本文，我們將從「卷積神經網絡」的角度討論深度學習。在系列的第三部分，我們將利用Kaggle的肺癌資料庫，重新查看肺癌DICOM圖像中的關鍵內容和信息，並且利用Kera開發一個肺癌預測模型。在了解「卷積神經網絡」之前，我們要先知道什麼是「卷積」。何為「卷積」？維基百科對「卷積」的定義是：一個關於兩個函數的數學運算。
  • Python深度學習之圖像識別
    作者 | 周偉能 來源 | 小叮噹講SAS和Python Python在機器學習（人工智慧，AI）方面有著很大的優勢。談到人工智慧，一般也會談到其實現的語言Python。前面有幾講也是關於機器學習在圖像識別中的應用。今天再來講一個關於運用google的深度學習框架tensorflow和keras進行訓練深度神經網絡，並對未知圖像進行預測。