深度学习准确的污渍数字切片幻灯片
组织活检幻灯片用苏木精和伊红染色染料(圆))组织病理学的基石,特别是对病理学家需要诊断和确定癌症的阶段。一个研究小组由麻省理工学院媒体实验室的科学家们,与临床医生合作斯坦福大学医学院和哈佛医学院,现在显示的数字扫描这些活检幻灯片可以染色计算,利用身体的深度学习算法训练数据染色幻灯片。
病理学家检查计算的彩色圆)幻灯片图像盲研究不能告诉他们除了传统的彩色幻灯片,使用它们来准确识别和年级的前列腺癌。更重要的是,幻灯片也可以计算“de-stained”的方式重置他们的原始状态使用在未来的研究中,研究人员得出结论:在5月20日发表在《美国医学会杂志》网络开放。
这个过程的计算数字染色和de-staining保留少量的组织活检,从癌症患者,允许研究者和临床医生分析幻灯片为多个类型的诊断和预后测试,而不需要收取额外的组织部分。
“我们发展de-staining工具可以让我们大大扩大我们的能力来执行数百万存档幻灯片与已知的临床研究结果数据,“Alarice劳说,病理学副教授和循环肿瘤细胞斯坦福大学实验室的主任,他是研究报告的合著者。“申请这项工作的可能性和严格验证研究结果实际上是无限的。”
研究人员还分析了步骤深度学习神经网络的彩色幻灯片,这是这些深度学习系统的关键临床翻译,Pratik Shah说,麻省理工学院的首席研究科学家和研究的资深作者。
“问题是组织,解决方案是一种算法,但是,我们也需要批准这些学习系统所产生的结果,”他说。“这提供解释和深度学习模型的随机临床试验的验证,他们的研究结果为临床应用。”
其他麻省理工学院贡献者共同第一作者和技术副阿曼Rana(现在在亚马逊)和麻省理工学院博士后Akram到了国王的实验室里,哈佛医学院病理学家,布莱根妇女医院,波士顿大学医学院和退伍军人事务部波士顿卫生提供临床验证的结果。
创建“兄弟姐妹”幻灯片
创建计算染色幻灯片,国王和他的同事们已经训练深层神经网络,学习的比较数字图像对活检幻灯片之前和之后)染色。任务适合神经网络,国王说,“因为他们是相当强大的在学习数据的分布和映射的方式,人类不能学好。”
Shah称对“兄弟姐妹”,指出过程列车网络通过展示他们成千上万的兄弟姐妹对。训练后,他说,网络只需要“低成本、广泛使用易于管理的兄弟”——non-stained切片图像生成新的计算)彩色图像,或相反的,一个圆)染料几乎de-stained彩色图像。
在当前的研究中,研究者使用87000训练网络图像补丁(小的部分整个数字图像)扫描检查前列腺组织从38岁男性患者在治疗布莱根妇女医院在2014年和2017年之间。组织和病人的电子健康记录消除识别信息,作为这项研究的一部分。
当国王和他的同事们比较常规极化和计算彩色图像像素到像素,他们发现神经网络进行准确的虚拟)染色,图像是90 - 96类似于染色的版本。的深入学习算法也可以反向过程,de-staining计算彩色幻灯片回到原来的状态与类似的精确度。
“这项工作表明,计算机算法能够可靠地把清白的组织和执行组织化学染色使用),”劳说,谁说这个过程也“奠定了基础”使用其他污渍和病理学家经常使用的分析方法。
计算彩色幻灯片可以帮助自动滑染色的费时的过程,但沙阿说de-stain和保存图片,以供将来使用的能力才是真正的深度学习技术的优势。“我们不只是解决一个染色的问题,我们也解决save-the-tissue问题,”他说。
软件作为一种医疗器械
作为这项研究的一部分,四个执照和训练有素的专家病理学家标签13集的计算染色和传统的彩色幻灯片识别和年级潜在的肿瘤。在第一轮,两个随机选择的病理学家提供了计算彩色图像而)极化图像给出了另外两个病理学家。经过一段时间的四个星期,图像集病理学家之间的交换,进行新一轮的注释。有95%的重叠在注释由病理学家两套幻灯片。“人类读者无法区分他们,”国王说。
病理学家的评估计算的彩色幻灯片也同意大多数最初的临床诊断包括在病人的电子健康记录。在两种情况下,计算彩色图像推翻原来的诊断,研究人员发现。
“事实上,精度较高的诊断能够呈现在高保真数字彩色图像与图像的质量,”罗伊说。
这项研究的另一个重要部分是用新颖的方法来可视化和解释神经网络聚集计算染色和de-stained图像。这样做是通过创建一个像素使用激活的地图的可视化和解释过程神经网络模型对应于肿瘤鉴别诊断和临床医生使用的其他特性。
这种类型的分析有助于创建一个验证过程,需要在评估“软件作为一种医疗设备,”国王说,世卫组织正在与美国食品和药物管理局的方法来调节和转换计算医学临床应用。
“问题是,我们如何让这技术临床设置最大化有利于病人和医生吗?”Shah says. "The process of getting this technology out involves all these steps: high quality data, computer science, model explanation and benchmarking performance, image visualization, and collaborating with clinicians for multiple rounds of evaluations."
