主页 > 公司新闻 > 正确地对非肿瘤区域进行分类

正确地对非肿瘤区域进行分类

  在第一篇论文中,我们不再运用算法从 Camelyon Challenge 癌症细胞区域检测竞赛和批准用于研究 我们在圣地亚哥海军医疗中心的共著者提供的独立数据集中识别病理载玻片。由于这个额外的数据集来自不同实验室,经过了不同处理过程的病理样本组成,所以该数据集提升了常规临床实践中的病理载玻片和人工制品的多样性。LYNA 证实了其能够在图像可变性和大量组织学特征上能够被稳定应用,并且在无需更多研发的情况下,在两个数据集中实现了相似的性能。
 
  左侧:包含淋巴结的载玻片有多个组学伪影:左边较暗区域是气泡,白色条纹是切割组学伪影,一些区域的红色显示出血(含有血液),组织已经坏死(衰竭),治疗质量较差。右侧:LYNA 识别出肿瘤区域在中央(呈红色),并正确地对非肿瘤区域进行分类(呈蓝色) 。 左侧:包含淋巴结的载玻片有多个组学伪影:左边较暗区域是气泡,白色条纹是切割组学伪影,一些区域的红色显示出血(含有血液),组织已经坏死(衰竭),治疗质量较差。右侧:LYNA 识别出肿瘤区域在中央(呈红色),并正确地对非肿瘤区域进行分类(呈蓝色) 。
 
  在两个数据集中,LYNA 能够以 99% 的正确率区分出有转移性癌症的载玻片和无转移性癌症的载玻片。此外,在每个载玻片内,LYNA 能够准确地查明癌症及其他可能患有癌症的位置,其中一些由于体积太小而不能被病理学家检测到。因此,我们推断 LYNA 的一个潜在效果可能是——重点标出这些区域,供病理学家在检查和作出最后诊断时参考。
 
  在第二篇论文中,6 名有美国医生从业执照的专科病理学家完成了一项模拟诊断,在诊断中,他们分别在有 LYNA 的协助下和在没有 LYNA 的协助下对转移性乳腺癌的淋巴结进行检查。对于这种检测小转移(也可称为微小转移)的复杂的诊断,由于 LYNA 的使用,平均缩短了一半的时间,每张载玻片需要约一分钟的时间,而不再是两分钟,使人在主观上觉得“更简单”(根据病理学家的诊断难度自我报告)。
 
  左侧:在逐渐增大的放大倍数下,含有小转移性乳腺肿瘤淋巴结的载玻片的样本视图。右侧:相同视图在使用算法辅助后(LYmph Node Assistant,LYNA)用蓝青色标注出肿瘤的位置。左侧:在逐渐增大的放大倍数下,含有小转移性乳腺肿瘤淋巴结的载玻片的样本视图。右侧:相同视图在使用算法辅助后(LYmph Node Assistant,LYNA)用蓝青色标注出肿瘤的位置。
 
  这表明 LYNA 等辅助技术具有令人兴奋的潜力,它可以减轻重复识别的负担,让病理学家能够把更多的时间和精力专注于其他更具挑战性的临床和诊断工作。在诊断的准确性方面,病理学家在研究中使用 LYNA 能够更准确地检测微转移,将从检测中遗漏的微转移率降低两倍。令人感到振奋的是,使用 LYNA 协助的病理学家比没有使用 LYNA 协助的病理学家,或者比仅仅依靠 LYNA 算法本身的情况能够达到更准确的效果,这表明人们使用算法协助工作更有效率,比单独使用某一种检测方法实现更好的效果。
 
  通过这些研究,我们在展示 LYNA 算法的稳健性(用以支持乳腺癌 TNM 分期的一个组成部分)和评估其在概念验证诊断设置中的影响方面取得了进步。这些进去非常令人振奋,但同时利用此类技术帮助医生及患者从科研试验到临床实践的过程中还有很长的路要走。这些研究有很大的局限性,比如有限的数据库、模拟的诊断工作流程、仅单独检查每个患者的单个淋巴结的病理载玻片,而不是实际临床病例中常见的检查多个淋巴结病理载玻片等。我们需要进一步评估 LYNA 对实际临床工作流程和治疗结果的影响。但是,经过仔细试验论证过的深度学习技术和精细设计的临床工具可以改善全球病理学家诊断的准确性和实用性,我们仍然保持乐观。