學術分享 | 數字病理圖像分析方法的開發 _健康小知識

文章圖片

文章圖片
論文重點內容
數字病理分析方法
數字病理分析可大致分為兩種主要方法：定量分析和人工智能評估。盡管任何特定的應用場景都需要兩者結合，但通常一種方法占主導地位。這種區分有助于闡明算法開發和驗證的問題，以及闡明如何把病理學家的知識真正應用于數字系統。
定量分析
歷史上，病理圖像分析一直專注于檢測、分類、計數和/或量化圖像中可見的特定“物體” 。這些物體可能是不同的種類，不同的識別規模。例如，確定切片是否包含侵襲性原發腫瘤，轉移性腫瘤，或幽門螺桿菌感染，都是主要的檢測任務。通常來說，檢測到的東西也需要分類。例如，可以根據不同的細胞類型對細胞核進行分類，這可用于確定治療反應的預測指標，如淋巴細胞和腫瘤細胞的相對比例。或者，我們可以避開細胞檢測，而通過影像圖素直接歸類為腫瘤上皮、基質或其他組織類型，并以此來量化每種組織類型所占的區域(例如，評估脂肪比例，或腫瘤基質比例) 。根據我們想要解決的問題，不同的分析方法可以應用于組織切片的同一次全視野數字切片掃描。
這種定量分析的共同特征是，它關注于評估定義明確且可見的東西。原則上，它復現了病理學家通過看切片就能確定的東西。有經驗的觀察者可以通過可視化所檢測到的、分類的和量化的內容來確定是否正確進行了分析。
基于人工智能的評估
通過定量分析解決的問題可能往往是我們真正想知道的，包括從圖像中確定診斷或預后信息，不同患者的不同治療方案問題。
數字病理學最近大多集中于如何更直接地解決這些問題——而不是明確地檢測或量化特定的特征。一個早期的例子表明，人工智能可以預測肺腺癌中6個常見突變基因的突變。此后，類似的策略也被用于預測各種組織類型中基因的突變。其他研究表明，人工智能可以通過蘇木精和伊紅[H&E]切片掃描直接預測患者的預后。
在這些情況下，輸出的的是不基于直接測量任何特定特征或結構的預測。這使得驗證結果變得更加困難，至少基于每個圖像是這樣的。可信度需要通過以下途徑來獲得:(1)使用不同數據集的大規模驗證研究(2)能夠可視化對結果有重要貢獻的切片區域。這樣的可視化表示人工智能已經學會如何基于已知的臨床相關的圖像區域來進行預測。
混合的方法
雖然上述兩類并不能歸納所有的數字病理學應用，但我們仍可以區分哪些輸出是可接受視覺驗證的，哪些是不可接受的。例如，已開發出許多基于人工智能的格里森評分方法。其中一些包含了人工智能應用前的目標檢測和量化元素，而另一些則更直接地對圖像進行處理，沒有明確的檢測；不管怎樣，病理學家可以通過比較人工智能最終的評定與自己的評估來評估該算法的性能。這與基于人工智能的前列腺癌風險分層或癌癥復發預測方法不同，這種方法沒有任何既定的分級系統，不太容易接受視覺驗證，因此在病理學家對這種方法不太有興趣。
圖像分析技術
無論采用何種方法，數字病理學的基本挑戰仍然是相同的：在圖像中發現特定模式。這需要對輸入圖像中的數字進行數學運算，通常采用將圖像逐步轉換為其他形式的方式，將關鍵特征分離出來。雖然每個單獨的操作可能比較簡單直接，但當數百甚至數千個這樣的操作組合成一個數十億像素應用于算法時，復雜性就隨之而來。盡管如此，認識到構建數字病理算法本質上的簡單性是理解其優勢和預測其局限性的核心。在某些情況下，復雜分析的成功或失敗可以歸因于關鍵步驟中應用的單個截止閾值。