OMG-Net: 用于检测全切片组织学染色镜中的 pan-cancer 良恶性分化标记物的深度学习框架
计算机视觉与模式识别
2025-04-01 v1 人工智能
摘要
良恶性分化标记物是评估多种癌症分期的重要特征。计数良恶性分化标记物(mitotic figures, MFs)是一项耗时且容易受观察者间变异性影响的工作。对MFs的不准确识别可能导致分期错误,从而可能影响治疗方案。本研究提出一种人工智能辅助方法用于检测组织学染色全切片图像(WSIs)中的MFs。该领域的进展受限于MFs数据集数量和类型有限。本文通过将自建软组织肿瘤数据集(STMF)与五个开源数据集(包括多种人类癌症和犬类标本的ICPR、TUPAC、CCMCT、CMC和MIDOG++)整合,建立了最大的pan-cancer良恶性分化标记物数据集。该数据集识别出74,620个MFs和105,538个良恶性样标记物。随后采用两阶段框架(优化良恶性分化标记物生成网络,OMG-Net)对MFs进行分类。该框架首先部署Segment Anything Model(SAM)自动勾勒MFs及周围物体的轮廓。随后训练改进版ResNet18进行MFs分类。OMG-Net在pan-cancer MF检测(乳腺癌、神经内分泌肿瘤和黑色素瘤)上达到0.84的F1分数,在其保持测试集上显著优于先前的SOTA模型MIDOG++(例如在乳腺癌检测上提升16%F1分数,p<0.001),在不同扫描仪获取的各种类型肿瘤上检测MFs的准确率显著提升。
引用
@article{arxiv.2407.12773,
title = {OMG-Net: A Deep Learning Framework Deploying Segment Anything to Detect Pan-Cancer Mitotic Figures from Haematoxylin and Eosin-Stained Slides},
author = {Zhuoyan Shen and Mikael Simard and Douglas Brand and Vanghelita Andrei and Ali Al-Khader and Fatine Oumlil and Katherine Trevers and Thomas Butters and Simon Haefliger and Eleanna Kara and Fernanda Amary and Roberto Tirabosco and Paul Cool and Gary Royle and Maria A. Hawkins and Adrienne M. Flanagan and Charles-Antoine Collins Fekete},
journal= {arXiv preprint arXiv:2407.12773},
year = {2025}
}