计算肿瘤病理学中机器学习方法、挑战与前景综述
图像与视频处理
2022-06-07 v1 人工智能
计算机视觉与模式识别
机器学习
定量方法
摘要
计算病理学是精准肿瘤医学的一部分。将包括基因组学、转录组学、蛋白质组学、代谢组学、病理组学和放射组学在内的高通量数据整合到临床实践中，可改善癌症治疗方案、治疗周期和治愈率，并帮助医生开辟患者预后的创新方法。在过去十年中，人工智能、芯片设计与制造以及移动计算的快速发展促进了计算病理学的研究，并有可能为全切片图像、多组学数据和临床信息学提供更好的集成解决方案。然而，肿瘤计算病理学目前在数据整合、硬件处理、网络共享带宽和机器学习技术方面给肿瘤筛查、诊断和预后的应用带来了一些挑战。本综述从病理和技术视角调研了计算病理学中的图像预处理方法、基于机器学习的方法，以及计算病理学在乳腺、结肠、前列腺、肺及各种肿瘤疾病场景中的应用。最后，讨论了机器学习在计算病理学应用中的挑战与前景。
引用
@article{arxiv.2206.01728,
title = {A review of machine learning approaches, challenges and prospects for computational tumor pathology},
author = {Liangrui Pan and Zhichao Feng and Shaoliang Peng},
journal= {arXiv preprint arXiv:2206.01728},
year = {2022}
}