基于机器学习的多通道免疫荧光成像中CTC的全自动检测、分割与分类
计算机视觉与模式识别
2024-10-07 v1 定量方法
摘要
液体活检（如血液抽取）提供了比组织活检更侵入性且不局部化的替代方案，可用于监测转移性乳腺癌（mBCa）的疾病进展。免疫荧光（IF）显微镜是用于图像和分析患者样本中数百万血细胞的工具。通过检测和基因测序血液中循环肿瘤细胞（CTC），可为各种癌症亚型患者实现个体化治疗方案。然而，CTC稀�（约1/200万），使得手动CTC检测非常困难。此外，临床医生依赖于量化细胞生物标志物来手动分类CTC。这需要先完成细胞检测、分割和特征提取等前置任务。为帮助临床医生，我们 developed了一个基于机器学习的全自动生产级管道，高效地检测、分割和分类多通道IF图像中的CTC。我们在15名mBCa患者、共9533个细胞的测试中实现了超过99%的灵敏度和97%的特异度。我们的管道已成功部署在实际mBCa患者上，将患者平均1400万检测细胞减少到仅335个CTC候选对象进行手动审核。
引用
@article{arxiv.2410.02988,
title = {Fully Automated CTC Detection, Segmentation and Classification for Multi-Channel IF Imaging},
author = {Evan Schwab and Bharat Annaldas and Nisha Ramesh and Anna Lundberg and Vishal Shelke and Xinran Xu and Cole Gilbertson and Jiyun Byun and Ernest T. Lam},
journal= {arXiv preprint arXiv:2410.02988},
year = {2024}
}
备注
Published in MICCAI 2024 MOVI Workshop Conference Proceedings