OncoPetNet：基于深度学习的人工智能系统，用于大型兽医诊断实验室中 H&E 染色全切片数字图像的核分裂象计数
图像与视频处理
2021-08-19 v1 计算机视觉与模式识别
机器学习
摘要
背景：组织病理学是现代医疗中许多疾病诊断与管理的重要模态，并在癌症诊疗中发挥关键作用。病理样本可能体积大且需多部位采样，单个肿瘤可产生多达 20 张切片，而人工专家的位点选择与核分裂象定量评估任务耗时且主观。在数字病理服务中自动化这些任务，为提升工作流效率与增强实践中的人类专家能力提供了重要机遇。方法：在 OncoPetNet 的开发中，使用了多种用于组织病理学图像分类与核分裂象检测的先进深度学习技术。此外，采用无模型方法以提升速度与精度。该稳健且可扩展的推理引擎利用了 Pytorch 的性能优化以及专门开发的推理加速技术。结果：所提出的系统在 14 种癌症类型的 41 例癌症病例中，相比人类专家基线显著提升了核分裂计数性能。在 21.9% 的病例中，使用 OncoPetNet 导致肿瘤分级相较于人类专家评估发生改变。在部署中，于每日处理 3,323 张数字全切片图像的两个中心的高通量兽医诊断病理服务中，实现了有效的 0.27 分钟/切片的推理速度。结论：本工作代表了首次成功部署深度学习系统，在大规模、高容量的临床实践中对重要组织病理学任务实现实时专家级性能。所产生的影响概述了模型开发、部署、临床决策的重要考量，并为数字组织病理学实践中深度学习系统的实施提供了最佳实践参考。
引用
@article{arxiv.2108.07856,
title = {OncoPetNet: A Deep Learning based AI system for mitotic figure counting on H&E stained whole slide digital images in a large veterinary diagnostic lab setting},
author = {Michael Fitzke and Derick Whitley and Wilson Yau and Fernando Rodrigues and Vladimir Fadeev and Cindy Bacmeister and Chris Carter and Jeffrey Edwards and Matthew P. Lungren and Mark Parkinson},
journal= {arXiv preprint arXiv:2108.07856},
year = {2021}
}