小罗碎碎念
本期推文主题：人工智能在病理组学范畴的最新希望
这一期推文和往期不太一样——往期险些都是顶刊，而这一期选了一些分数不那么高的文章。如许做有两个缘故起因：
- 验证一下在IF较低的期刊中可否找到灵感
- 对比一下，期刊之间的差距在哪，什么量级的数据，什么样的方案/模子才气发顶刊
重点关注与病理AI相干的两篇我以为还不错的文章：
- 第四篇：这篇文献发表于《Am J Cancer Res》，如今IF=3.6，三区，与淋巴结转移相干。保举的缘故起因在于文章的某些观点与我雷同——使用在未标志数据上训练的医学底子模子来主动提取图像特性，并整合多模态数据以进步模子的精确性和鲁棒性；
- 第五篇：这篇文献发表于《Med Image Anal》，如今IF=10.7，一区，与免疫组化相干，且涉及到跨域匹配；文章由上海交大出品，提出的模子是可以举行HE和IHC图像预处理处罚的底子模子，我还没有来得及测试效果，感爱好的可以先试试，链接已附在对应位置。
一、CT图像特性与直方图参数在ⅠA期肺腺癌微乳头状或实体因素猜测中的应用
一作&通讯
脚色姓名单位名称（中文）第一作者Qin Chen莆田市第一医院放射科通讯作者Jiajun Lin莆田市第一医院放射科
文献概述
这篇文章是关于使用盘算机断层扫描（CT）图像特性和直方图参数来猜测ⅠA期肺腺癌（LUAC）中微乳头状或实体（MIP/SOL）因素的研究。
研究目的是构建基于CT体现、直方图和形态特性的猜测模子，并评估这些模子的性能。
方法：
- 回首性临床研究，包罗376名基于术后病理诊断为ⅠA期LUAC的患者，这些患者于2019年1月至2023年6月期间在莆田市第一医院担当治疗。
- 根据术后病理中MIP/SOL因素的存在与否，患者被分为MIP/SOL+和MIP/SOL-两组。
- 包罗肿瘤直径≤3cm和≤2cm的病例，并分别举行分析。
- 使用7:3的比例将患者随机分为训练集和测试集。
- 训练集用于构建猜测模子，测试集用于内部验证。
效果：
- 对于直径≤3cm的肿瘤，磨玻璃影（GGO）、熵、匀称CT值和峰度是ⅠA期LUAC MIP/SOL因素的独立猜测因子。
- 猜测模子的ROC曲线下面积（AUC）在训练集为0.816，在测试集为0.789。
- 对于直径≤2cm的肿瘤，峰度不再是独立猜测因子，猜测模子的AUC在训练集为0.811，在测试集为0.833。
结论：
- 对于直径≤3cm和≤2cm的肿瘤，GGO、匀称CT值和熵是猜测ⅠA期LUAC MIP/SOL因素的雷同独立影响因素。
- 诺模图猜测模子具有匿伏的诊断代价，可以用于辨认早期LUAC的MIP/SOL因素。
重点关注
FIGURE 2 展示了两个差异病例的CT图像和病理学特性：
- Case 1 (A, B):
- 患者：56岁男性
- 组别：MIP/SOL+组（存在微乳头状或实体因素）
- 肿瘤位置：右肺中叶
- 肿瘤特性：不规则实体结节，最大直径约18毫米，边沿呈分叶状和毛刺状，结节内有空泡征
- 病理诊断（HE × 10）：浸润性肺腺癌，此中微乳头状占约莫50%，腺泡型占约莫50%
- Case 2 (C, D):
- 患者：63岁男性
- 组别：MIP/SOL-组（不存在微乳头状或实体因素）
- 肿瘤位置：左肺上叶
- 肿瘤特性：肴杂磨玻璃结节，最大直径约15毫米，边沿呈分叶状，相近胸膜凹陷
- 病理诊断（HE × 10）：浸润性肺腺癌，此中约莫40%为贴壁型布局，60%为腺泡型
从这些形貌中可以分析得出，Case 1的肿瘤具有更典范的侵袭性特性，如不规则形状、分叶和毛刺边沿，以及空泡征，这些特性在CT图像上通常与肿瘤的侵袭性和恶性水平相干。而Case 2固然也有分叶边沿，但肿瘤出现为肴杂磨玻璃结节，这通常与较慢的肿瘤生长速率和较低的恶性水平相干。
病理效果也体现Case 1有一半是侵袭性较强的微乳头状因素，而Case 2则告急由贴壁型和腺泡型因素构成，这些因素的侵袭性相对较低。
二、深度学习集成模子在肺癌和结肠癌分类中的应用
一作&通讯
脚色姓名单位（英文）单位（中文）第一作者K. VanithaDepartment of Computer Science and Engineering, Faculty of Engineering, Karpagam Academy of Higher Education (Deemed to Be University), Coimbatore, India印度哥印拜陀市Karpagam高等教导学院（被视为大学）工程学院盘算机科学与工程系通讯作者Suresh GuluwadiAdama Science and Technology University, Adama 302120, Ethiopia埃塞俄比亚亚当玛科技大学
文献概述
这篇文章是关于一种深度学习集成方法的研究，该方法团结了可表明的人工智能技能，用于肺癌和结肠癌的分类。
研究使用了先辈的超参数调解技能，通过团结Xception和MobileNet架构，旨在进步特性提取本事、加强模子的鲁棒性，并镌汰过拟合征象。
研究使用了包罗25000张高质量、去标识化、符合HIPAA规定的构造病理学图像的数据集，这些图像被分为五个种别：结肠腺癌、良性结肠构造、肺腺癌、肺鳞状细胞癌和良性肺构造。
研究的告急贡献包罗：
- 将Xception和MobileNet的输出举行毗连，并输入到麋集层，终极通太过类层区分癌构造和非癌构造，进步诊断精确性。
- 使用梯度加权类激活映射（Grad-CAM）天生热图，为模子的决定提供可视化表明，这对于临床担当度至关告急。
- 通过提供一个可扩展的办理方案，实用于各种癌症和复杂的医学成像使命，推动医学诊断的进步。
研究效果表明，该集成模子在分类精确性上取得了显着的结果，到达了99.44%的精确率，而且在辨认某些癌构造和非癌构造方面具有完满的准确度和召回率。别的，通过Grad-CAM加强的可表明性，为临床医生提供了模子诊断推理过程的可视化，这对于临床担当度和实现更个性化、精确的治疗筹划至关告急。
文章还讨论了相干工作，并对深度学习在癌症诊断中的应用举行了文献综述。末了，文章总结了研究效果，讨论了未来的研究方向，以及怎样将这些技能扩展到其他范例的癌症诊断中。
重点关注
Fig. 1 展示了肺癌和结肠癌的构造病理学图像。
三、融合双向留意力的U-Net模子在皮肤癌病变分割中的应用
一作&通讯
脚色姓名单位（英文）单位（中文）第一作者Lili CaiSchool of Biomedical Engineering, Guangzhou Xinhua University, Guangzhou, China广州新华学院生物医学工程学院，广州，中国通讯作者Keke HouSchool of Health Sciences, Guangzhou Xinhua University, Guangzhou, China广州新华学院康健科学学院，广州，中国
文献概述
这篇文章是关于一种新型的智能皮肤病变分割方法，该方法使用了变形留意力Transformer U-Net和双向留意力机制来进步皮肤癌图像中病变地区的分割精度。
- 配景：皮肤癌，尤其是恶性玄色素瘤的发病率上升，对公共卫生构成庞大威胁。主动化的准确皮肤病变分割技能对减轻医疗专业职员的负担具有巨大潜力，并对早期辨认和干预皮肤癌具有告急的临床意义。然而，由于皮肤病变的形状不规则、颜色不匀称和噪声干扰，准确分割面临挑衅。
- 方法：文章提出了一种基于Transformer U-Net的准确驱动分割模子，称为BiADATU-Net。该模子整合了变形留意力Transformer和双向留意力块到U-Net中。编码器部门使用变形留意力Transformer和双留意力块，以自顺应方式学习全局和局部特性。解码器部门在跳跃毗连层中到场了特定的scSE留意力模块，以捕捉图像特定的上下文信息，实现强大的特性融合。别的，还团结了两种差异的留意力块中的变形卷积，以学习不规则病变特性，实现高精度猜测。
- 效果：在四个皮肤癌图像数据集(ISIC2016, ISIC2017, ISIC2018和PH2)上举行了一系列实验。效果体现，所提出的模子显现出令人满意的分割性能，全部数据集的精确率都高出了96%。
- 结论：实验效果验证了BiADATU-Net与其他一些开始辈方法相比具有竞争力的性能上风，而且在皮肤病变分割范畴具有潜力和代价。
文章还讨论了传统图像分割方法、基于Transformer的方法和留意力机制在医学图像分割中的应用，并详细先容了所提出的BiADATU-Net模子的布局和实验设置。
重点关注
FIGURE 1 展示了 BiADATU-Net 的团体布局图
- 编码器部门（Encoder）：
- 包罗 CNN 块、DAD 块、嵌入层（Embedding Layer）和 DAT（Deformable Attention Transformer）层。
- CNN 块用于特性提取，每颠末一个阶段，特性图尺寸减半，通道数翻倍。
- DAD 块（Dual Attention with Deformable Convolution Block）位于 DAT 层之前，用于提取图像的空间和通道信息。
- 嵌入层将 CNN 块的输出转换为适当 DAT 层的格式。
- 变形留意力机制（Deformable Attention Module）：
- 通过动态确定的采样位置对输入特性图举行采样，以捕捉图像的全局上下文信息。
- 跳跃毗连层（Skip Connection Layers）：
- 包罗 scSED 块（Spatial and Channel Enhanced Dual Attention Block），用于在编码器息争码器之间通报和融合特性。
- 解码器部门（Decoder）：
- 吸取编码器的输出，并通过一系列上采样使用渐渐重修特性图。
- 每次上采样后，特性图尺寸翻倍，然后与跳跃毗连层的输出归并，进一步通过卷积层处理处罚。
- 分割头（Segmentation Head）：
- 双向肴杂留意力模块（Bidirectional Mixed Attention Modules）：
- DAD 块和 scSED 块共同构成，资助模子生存更多有代价的特性，进步特性提取的服从。
- 特性融合（Feature Fusion）：
- 通过 scSED 块在跳跃毗连层中实现，有助于提取更有代价的特性，进步特性图重修的精度。
团体来看，BiADATU-Net 的筹划将 Transformer 的全局特性捕捉本事和 U-Net 的局部特性提取本事相团结，并通过引入双向留意力机制，加强了模子对复杂皮肤病变特性的学习和分割本事。这种布局筹划旨在实现高精度的皮肤病变分割，以便于临床治疗和皮肤癌的早期诊断。
四、深度学习模子在早期胃癌淋巴结转移猜测中的应用
一作&通讯
脚色姓名单位名称（中文）单位名称（英文）第一作者You-Na Sung韩国大学安南医院病理科Department of Pathology, Korea University Anam Hospital第一作者Hyeseong Lee首尔圣母医院病理科（天主教大学医学院）Department of Hospital Pathology, Seoul St. Mary’s Hospital, College of Medicine, The Catholic University通讯作者Sangjeong Ahn韩国大学安南医院病理科Department of Pathology, Korea University Anam Hospital通讯作者Sung Hak Lee首尔圣母医院病理科（天主教大学医学院）Department of Hospital Pathology, Seoul St. Mary’s Hospital, College of Medicine, The Catholic University
文献概述
这篇文章是关于一种可表明的深度学习模子的研究，该模子用于猜测早期胃癌（EGC）中的淋巴结转移（LNM）。
研究的告急目的是开发一种呆板学习算法，使用苏木精-伊红（H&E）染色的全切片图像（WSIs）来猜测LNM状态，以辅助决定治疗方案。
研究团队使用了来自五个差异机构的1237个全切片图像数据集，通过三步告急流程：肿瘤分割、肿瘤形态学特性提取和淋巴结转移分类。
他们训练了一个分割网络（DeepLabV3+）来区分差异的构造亚型，并使用XGBoost算法和从训练有素的特性提取器中推断出的70个形态学特性来训练风险分类器。
分割网络在内部和外部数据集上均体现精彩，像素精确度分别到达了0.9348和0.8939。风险分类器在猜测LNM状态时，团体AUC（Area Under the Curve，曲线下面积）到达了0.75，此中一个数据集乃至到达了0.92的AUC。
这项研究是初次多机构互助研究，开发了一种使用H&E染色构造病理学图像猜测EGC患者LNM状态的呆板学习算法。研究效果有潜力改善必要手术的EGC患者的选择，特殊是那些显现出高风险构造学特性的患者。
研究还讨论了模子的范围性，包罗差异队列之间猜测LNM的AUC差异，以及数据标注过程中的劳动麋集性和对预界说目的的依靠性。研究者提出，为了降服这些限定，应该实验使用在未标志数据上训练的医学底子模子来主动提取图像特性，并整合多模态数据以进步模子的精确性和鲁棒性。
末了，研究得出结论，开发的猜测模子可以大概基于原发性胃癌的数字H&E切片辨认大概发展为LNM的高风险EGC患者。该模子不受内部或观察者间变异的影响，可以在差异的机构中应用，终极大概有助于镌汰不必要手术的EGC患者的过分治疗，同时确保必要手术的患者得到适当的治疗。
重点关注
Figure 2 展示了在外部数据集上，用于肿瘤亚型分割的深度学习网络的效果。
这个网络可以大概区分三种差异范例的构造地区：分化型肿瘤（暗橙色）、未分化型肿瘤（棕色）以及正常构造（浅橙色）。
详细来说，这个图包罗了以下部门：
- H&E染色的切片图像（A）：这是原始的病理学图像，颠末苏木精-伊红染色，可以观察到肿瘤构造和正常构造的布局差异。
- 构造范例真实标签的可视化（B）：这一部门展示了真实标注的构造范例，此中差异的颜色代表差异的构造地区。这可以作为模子训练和评估的基准。
- 猜测效果的可视化（C）：这一部门展示了深度学习模子对于肿瘤亚型的猜测效果。模子实验根据图像特性将每个地区分类为三种范例之一。
分析这个图，我们可以相识模子在现实应用中的体现，包罗它在区分差异范例的肿瘤构造以及正常构造方面的本事。通过比力（B）和（C），可以评估模子的精确性，观察模子是否可以大概精确地辨认和分类肿瘤亚型。假如猜测效果与真实标签高度划一，分析模子具有较好的泛化本事和精确性。反之，假如存在较大差异，则大概表明模子在某些方面必要进一步优化。
五、PathoDuet：一种用于病理图像分析的新型自监视学习框架
开源代码
https://github.com/openmedlab/PathoDuet
一作&通讯
脚色姓名单位名称单位英文名称第一作者Shengyi Hua上海交通大学清源研究院Qing Yuan Research Institute, Shanghai Jiao Tong University通讯作者Xiaofan Zhang上海交通大学清源研究院Qing Yuan Research Institute, Shanghai Jiao Tong University上海人工智能实验室Shanghai Artificial Intelligence Laboratory
文献概述
这篇文章是关于一种新的用于病理图像分析的预训练模子——PathoDuet的研究。
它通过自监视学习方法在大量数字化的构造病理学数据上预训练，以开发病理学底子模子。
PathoDuet模子专注于处理处罚Hematoxylin和Eosin（H&E）染色以及免疫组化（IHC）染色的病理切片图像。
- 提出了一个新的自监视学习框架，包罗一个新引入的预文本标志（pretext token）和使命提升器（task raiser），以明确使用图像之间的某些关系，比方差异的放大倍数和差异的染色。
- 筹划了两种预文本使命：跨尺度定位（cross-scale positioning）和跨染色通报（cross-stain transferring），分别用于在H&E图像上预训练模子和将模子通报到IHC图像。
- 在多种鄙俚使命上验证了模子的有用性，包罗H&E范畴的补丁级结直肠癌亚型分类、整个切片图像（WSI）分类，以及IHC范畴的表达水平猜测、肿瘤辨认和切片级定性分析。
- 实验效果表明，PathoDuet模子在大多数使命上都优于其他模子，而且提出的预文本使命是有用的。
别的，文章还讨论了与自监视学习相干的工作，包罗在盘算机视觉和数字病理学中的研究希望。作者提供了代码和模子的访问链接，以促进未来的使用和可重复的实验。
重点关注
Fig. 1 提供了 PathoDuet 框架的概览，该框架包罗两个告急部门：
- 左侧（筹划用于开发H&E和IHC模子的两个预文本使命）：
- 跨尺度定位（Cross-scale positioning）：这个使命旨在开发针对H&E染色图像的病理底子模子。它使用大规模公共H&E数据集，通过模仿病理学家放大和缩小观察切片的使用，来加强模子对差异尺度下图像的明白。详细来说，模子必要学习从全局视角明白低倍放大下的WSI，以及从局部视角风雅明白高倍放大下的关键地区。
- 跨染色通报（Cross-stain transferring）：这个使命筹划用来将从H&E图像学到的知识迁徙到IHC图像上。IHC图像提供了关于疾病亚型等的额外诊断信息。通过使用自顺应实例归一化（AdaIN）技能，模子可以大概将H&E图像的布局信息与IHC图像的特定分子信息相团结，从而进步对差异染色方式的病理图像的明白。
- 右侧（一系列鄙俚使命，用于评估模子在现实应用中的性能）：
- 图的右侧展示了使用PathoDuet模子的多种鄙俚使命，这些使命覆盖了H&E和IHC图像。这些使命包罗但不限于：
- 补丁级别的结直肠癌亚型分类。
- 整个切片图像（WSI）级别的分类。
- IHC标志的表达水平猜测。
- IHC图像中的肿瘤辨认。
- IHC图像的切片级定性分析。
这些鄙俚使命用于评估PathoDuet模子在现实应用场景中的有用性和泛化本事。通过这些使命，研究者可以相识模子在差异范例的病理分析中的性能体现。
六、去泛素化酶相干指数猜测乳腺癌患者预后及免疫治疗反应
一作&通讯
脚色姓名单位名称（英文）单位名称（中文）第一作者Youyuan DengDepartment of General Surgery, Xiangtan Central Hospital, Xiangtan 410000, Hunan, P.R. China湖南省湘潭市中央医院平常外科，湘潭 410000，中国通讯作者1Jianguo WangDepartment of Oncology, The First Affiliated Hospital of Chengdu Medical College, Chengdu 610500, Sichuan, P.R. China四川省成都医学院第一附属医院肿瘤科，成都 610500，中国通讯作者2Ke XuClinical Medical College, Chengdu Medical College, Chengdu 610500, Sichuan, P.R. China四川省成都医学院临床医学系，成都 610500，中国
文献概述
这篇文章通过构建去泛素化酶相干指数（DUBRI），为乳腺癌患者的预后评估和免疫治疗反应提供了新的生物标志物。
配景：乳腺癌是一种常见的恶性肿瘤，具有高度的异质性和药物抗性，导致晚期患者殒命率高。因此，发现个性化的生物标志物和定制的治疗方案对于改善患者预后至关告急。
研究方法：研究者使用呆板学习技能，基于与去泛素化酶相干的基因，创建了一个新的指标——去泛素化酶相干指数（DUBRI）。通过DUBRI，体系分析了患者的预后、临床特性、肿瘤免疫微环境、化疗反应和免疫治疗反应。别的，还探索了OTUB2在乳腺癌细胞中的功能。
告急发现：
- DUBRI由五个去泛素化酶基因（OTUB2, USP41, MINDY2, YOD1, 和 PSMD7）构成，是乳腺癌患者生存的可靠猜测因子。
- 高DUBRI组患者体现出更高水平的免疫细胞浸润。
- 分子对接猜测了去泛素化酶中焦点靶卵白，体外实验验证了OTUB2的敲低可以大概克制乳腺癌细胞的增殖和迁徙。
结论：DUBRI大概有用地评估乳腺癌患者的预后，并辨认出可以大概从免疫治疗中获益的患者群体，为未来乳腺癌患者的靶向治疗提供了告急信息。
研究细节：
- 研究使用了来自TCGA数据库的转录组数据和临床数据，以及GEO数据库的验证队列。
- 通过GSEA分析、CIBERSORT方法、ssGSEA技能等工具，研究了肿瘤微环境和免疫细胞的相干性。
- 使用了GDSC数据库来评估化疗药物的有用性，并使用TIDE算法来推断免疫治疗的有用性。
- 分子对接模仿了OTUB2与小分子药物的团结姿态。
- 通过体外实验，包罗CCK8实验、细胞克隆形成、Transwell实验和细胞周期检测，评估了OTUB2在细胞功能上的作用。
文章夸大了去泛素化酶在癌症治疗中的潜力，并提出了DUBRI作为一个新的预后和治疗反应猜测工具。研究效果为乳腺癌的个性化治疗提供了有代价的见解。
重点关注
Figure 1 展示了去泛素化酶相干指数（DUBRI）与乳腺癌患者预后和临床相干性的研究效果。
(A) Kaplan-Meier 生存曲线（TCGA 数据集）：这部门通过生存曲线比力了高DUBRI组和低DUBRI组在TCGA数据会集的总体生存率。曲线的分离水平可以反映DUBRI对生存率的影响。
(B) Kaplan-Meier 生存曲线（GEO 数据集）：与(A)雷同，这部门使用GEO外部数据集进一步验证了DUBRI分组对生存率的影响。
© 单变量Cox回归分析：这种分析方法用来评估DUBRI单独作为预后因素与乳腺癌患者生存率之间的关系。
(D) 多变量Cox回归分析：在控制了其他临床特性的条件下，这部门分析了DUBRI与患者生存率的关联，以确定其作为一个独立预后因素的代价。
(E) ROC曲线（1, 3, 和 5 年）：吸取者使用特性（ROC）曲线用于评估DUBRI作为猜测1年、3年和5年生存率的生物标志物的性能。
(F) ROC曲线比力：这部门将DUBRI与其他临床特性的猜测性能举行比力，以评估其在猜测1年、3年和5年生存率方面的相对上风。
(G) 预后列线图：列线图是一种图形工具，用于根据多个预后因素（包罗DUBRI）猜测乳腺癌患者的个体化生存概率。
(H) 校准曲线：这些曲线提供了TCGA队列中1年、3年和5年总体生存率的猜测精确性评估，反映了猜测生存率与现实观察到的生存率之间的划一性。
总体而言，Figure 1 通过多种统计方法和图形工具，全面评估了DUBRI作为乳腺癌预后生物标志物的潜力和精确性。
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！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金 |
发表于 2026-2-10 21:42:53