【PyTorch项目实战】肿瘤检测：AI辅助诊断（低倍率分割淋巴结 + 高倍率分类 ...

一、肿瘤检测 —— 肿瘤存在于淋巴结中

   

  

• 中文：利用深度学习根据切除的淋巴结组织病理学图像预测胃癌结果  
  
• 论文：Predicting gastric cancer outcome from resected lymph node histopathology images using deep learning  
  
• 期刊：nature communications  
  
• 时间：2021 年 3 月 12 日
  

  

    英文 - 缩写   英文 - 全称   中文         LN   lymph nodes   淋巴结       MLN   metastatic lymph nodes   转移性淋巴结       WSI   whole-slide images   全切片图像       T/MLN   tumor-area-to-MLN-area ratio   肿瘤面积与 MLN 面积之比       -   -   -          histopathology   组织病理学       GC   Gastric cancer   胃癌       TNM   （tumor node metastasis） staging system   （肿瘤 - 淋巴结 - 转移）分期系统          N-staging   N分期          stained with hematoxylin and eosin   H&E染色          lymphocyte region   淋巴细胞区域          tumor region   肿瘤区域   1.1、项目背景

   

  

• N 分期是预后评估和分期癌症治疗策略决议的决定性因素。  
  
• 病理学家主要通过目视查抄完整淋巴结的全切片(WSI) 来计算转移性淋巴结 (MLN) 的数量。
  

     

   

• 胃癌 (GC) 是全球第二大癌症死亡原因1并且仍然是亚洲最常见的恶性肿瘤之一。   
  
• 美国癌症联合委员会 (AJCC) TNM（肿瘤淋巴结转移）分期系统是预后评估和基于分期的治疗策略决议的决定性因素。   
  
• AJCC N 分期系统中利用的证据基于观察到的转移性淋巴结 (MLN) 的数量。但 N 分期本身是预测胃癌患者总体生存率的独立因素4，而且即使是同一 N 分期，胃癌患者的预后也可能存在很大差异。  
  

    1.2、研究现状

   

  

• 在诊断淋巴结转移的常规临床工作流程中，会采集完整的淋巴结，用福尔马林固定、石蜡包埋、切片，然后用苏木精和伊红 (H&E) 染色。  
  
• 当前现状：在光学显微镜下，病理学家查抄全部解剖淋巴结的载玻片的形态，评估每个淋巴结的状态以及每个人载玻片上的淋巴结总数。   
  
     
  
  • 题目1：评估过程非常耗时   
    
  • 题目2：由于风俗题目，仅靠病理学家很轻易误诊   
    
  • 题目3：由于技能题目，获取的淋巴结数量可能少于预后所需的数量，从而导致 N 分期不精确。   
    
    
  
• 解决方案：引入了 MLN 比率作为 N 分期的辅助手段，但它并未显示出优于 AJCC N 分期。   
  
     
  
  • 题目1：由于我们的视觉系统很轻易错过小物体，微转移很轻易被病理学家遗漏。   
    
  • 题目2：精确量化 T/MLN 非常耗时，因此会显著增长病理学家的工作量约 3-5 倍。   
    
  
  

  提出了一个深度学习框架，用于分析 GC 的 LN WSI 并计算 T/MLN，以减少病理学家的工作量并改善 TNM 分期，最终为肿瘤学家带来更精准的治疗策略。
1.3、论文核心

• 核心1：提出了一个深度学习框架：（低分辨率）分割网络 + （高分辨率）分类网络 + 热图 + T/MLN计算
  
• 核心2：提出了一个新的该量化指标，即 MLN 中转移性肿瘤细胞的面积（T/MLN）。这是 N 分期系统忽略了一个紧张因素，并且假如不利用深度学习很难得到，但确实与癌症患者的结果相关。
  

   

  

• 提出了一个深度学习框架，用于分析淋巴结全切片图像 (WSI) 以辨认淋巴结和肿瘤区域，然后发现肿瘤面积与 MLN 面积之比 (T/MLN)。  
  
• 经过训练，我们的模子的肿瘤检测性能与履历丰富的病理学家相称，并在两个独立的胃癌验证队列中取得了类似的表现。别的，我们证明肿瘤面积与 MLN 面积之比 (T/MLN)是一个可解释的独立预后因素。
  

   

  

• a：数据集
  
     
  
  • 利用的 GC 淋巴结包罗三个队列：一个来自 2001–2005 年期间的 CH 医院（15,362 个），一个来自 2006–2008 年期间的 CH 医院（4343 个），一个来自 2016–2019 年期间的 JX 医院（2260 个）（图1a）。   
    
    
  

     

   

• 从 CH 医院和 JX 肿瘤医院得到了 GC 淋巴结的 WSI。   
  
• 我们只纳入了患有上皮泉源的恶性肿瘤的患者。担当新辅助治疗的患者被排除在外。   
  
• 审查了这些队列中诊断性淋巴结的 H&E 染色、福尔马林固定、石蜡包埋切片图像，以选择没有组织处理伪影（气泡、切片褶皱和染色不良）的图像。由于每个单个淋巴结在 N 分期中都很紧张，因此对这些具有严肃伪影的载玻片进行了重新切片和重新染色。   
  
• 两名病理学家对 2024 例病例进行了开端质量审查。只有切除的淋巴结总数超过 7 个且质量良好的患者才会被纳入本研究。   
  
• 最终从 1164 例患者的 9366 张切片中筛选出 21965 个淋巴结，此中 7736 个有转移性病变。   
  
• 这些淋巴结切片根据标准协议进行数字化以得到 WSI。  
  

   

  

• b：数据注释
  
     
  
  • 我们订定了标记协议：每个 WSI 都由病理学家进行详细注释。利用差别颜色注释五种范例的组织，分别是 germinal center（生发中央）、adipose tissue（脂肪组织）、tumor tissue（肿瘤组织）、lymph nodes contour（淋巴结轮廓）、sinuses（淋巴窦）
    窦（dòu），本义指孔穴。也指人体某些器官或组织的内部凹入的部分。   
    
     
  
• c：首先扫描 H&E 病理切片以获取 WSI，然后病理学家手动标记 WSI 以用于训练网络（分割+分类）。训练好的网络用于分析患者的 WSI，并应用于临床实践。
  

  

  研究工作流程：
（1）将 H&E 染色的 LN 病理切片数字化，以获取 WSI
（2）选择少量样本进行详细注释
（3）训练分割网络和分类网络
（4）利用训练好的网络，分析全部 WSI。
（5）根据系统的输出（热图），计算每个

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。