一种用于肿瘤细胞比例计数的多尺度条件深度模型

我们提出一种方法，用于在整张组织学切片上精确获取肿瘤细胞的比例。我们使用深度全卷积神经网络模型，经训练以检测和分类 H&E 染色组织切片图像上的细胞。由详尽标注的细胞核位置与肿瘤区域组成的病理学家标签被用于以监督方式训练模型。我们表明，组合两个在不同放大倍数下工作的模型，可使系统同时捕获细胞级细节与周边上下文，从而成功地将细胞检测并分类为肿瘤细胞或正常细胞。实际上，通过将单个细胞的分类建立在多尺度上下文信息之上，我们的模型模拟了病理学家在不同显微镜放大倍数下评估细胞肿瘤性以及肿瘤范围的过程。随后，通过统计每一类细胞的数量即可直接获得肿瘤细胞比例。为分析整张切片，我们将其分割为可并行处理的多个图块，再汇总得到总体肿瘤细胞比例。我们在包含 100 张肺肿瘤标本切片的数据集上进行实验，标本来自切除样本与组织微阵列（TMA）。我们使用重度数据增强与批量归一化训练全卷积模型。在未见测试集上，预测肿瘤细胞比例的平均绝对误差小于 6%，显著优于人类平均 20% 的水平，并对近期用于开具靶向癌症药物处方基因面板检测中的组织样本合理筛选具有关键意义。我们进行了消融实验以展示在不同放大倍数训练两个模型的重要性，并论证部分参数（如感受野大小）的选择依据。