基于深度神经网络对肺腺癌切除切片组织学模式的病理学家级分类
计算机视觉与模式识别
2019-02-01 v1
摘要
肺腺癌组织学模式的分类对于确定患者肿瘤分级和治疗至关重要。然而，由于肺腺癌的异质性及评估标准的主观性，该任务常具挑战性。在本研究中，我们提出一种深度学习模型，可自动分类手术切片上肺腺癌的组织学模式。我们的模型使用卷积神经网络识别肿瘤细胞区域，然后聚合这些分类以推断任意给定全切片图像的主要和次要组织学模式。我们在一个独立的 143 张全切片图像集上评估了模型。其在分类主要模式上与三位病理学家的 kappa 分数为 0.525、一致率为 66.6%，略高于该测试集上病理学家间的 kappa 分数 0.485 和一致率 62.7%。我们的模型与三位病理学家的所有评估指标均处于 95% 一致性置信区间内。若在临床实践中得到验证，我们的模型可通过在审查前自动预筛并高亮癌变区域，辅助病理学家改进肺腺癌模式分类。我们的方法可推广至任何全切片图像分类任务，代码已公开于 https://github.com/BMIRDS/deepslide。
引用
@article{arxiv.1901.11489,
title = {Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks},
author = {Jason W. Wei and Laura J. Tafe and Yevgeniy A. Linnik and Louis J. Vaickus and Naofumi Tomita and Saeed Hassanpour},
journal= {arXiv preprint arXiv:1901.11489},
year = {2019}
}