自监督学习下基于病理切片的癌症生存分析
国际学院
Cancer survival analysis based on pathological sections under self-supervised learning
癌症是一种在发达国家和发展中国家死亡率很高的疾病。不仅死亡率高,且需花费想当高昂的医疗费用。治疗癌症的关键点之一是早期发现肿瘤,活组织检查需要更多的时间来提供应有的结果、采集程序、组织处理(制作带有染色过程的幻灯片),最后进行病理学家目视分析。然而,病理学家分析是一项高度专业化和耗时的任务,容易引起观察者之间和内部的不一致。此外,染色过程可能会导致分析过程中的差异。因此我们需要运用计算机辅助诊断(CAD)。
计算机辅助诊断是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段,集合计算机的分析运算,辅助影像科医师发现病灶,提高诊断准确率,不仅增加了诊断过程的再现性,而且减少了观察者的主观性。癌症诊断的一个重要特征是观察细胞核。肿瘤样导管癌小叶癌在这些结构的上皮细胞上呈不规则生长。大量的细胞核或小区域内有丝分裂细胞的数量多,表明存在不规则生长代表肿瘤的组织。HI可以捕获此特征,但除了细胞核外,它还可以捕获其他良性肿瘤图像中可见的健康组织。在过去的几年里,我们在CAD中越来越多地使用机器学习(ML)和HI分析方法。ML方法已用于不同组织或器官,如乳房、前列腺、皮肤、大脑、骨骼、肝脏等中癌症的病理诊断。