跳到主要内容

话题

诊断成像

诊断成像

基于AI的算法学会检测显微镜图像中的肿瘤

29 Jan 2019 塞缪尔·瓦内恩 
Research team

通过将深度学习技术应用于一组相位对比显微镜图像,日本研究人员能够识别不同癌细胞的性质和起源,精度为96%。这种方法可能导致更好的癌症治疗方法(癌症res。 10.1158 / 0008-5472.CAN-18-0653)。

研究人员,来自 大阪大学,使用卷积神经网络(CNN),是深度学习中使用的共同方案,分析图像。 CNNS通过应用于输入图像的一组连接的滤波器和数学函数,类似于神经元,可以训练以提取特定功能。在医学成像中,CNNS在人类视觉系统上进行建模,具有低层,该低层捕获诸如边缘的细细节,以及捕获反映整个图像的复杂特征的更高水平。

训练ai去肿瘤

将人工智能(AI)应用于临床目的的医学图像的想法并不新鲜。但许多人质疑AI区分细细的能力,这些细节区分患有对常见疗法的抗性的肿瘤。

鉴定肿瘤的类型及其起源确实是针对特定患者的个性化治疗的关键步骤。例如,如果它们的肿瘤是放射性剂,则无需将患者暴露于放射疗法—因为这可能对他们有害和浪费时间。然而,到目前为止,肿瘤分类主要是通过目视检查进行的,这使得过程耗时且易于人类误差。

在这项研究中,研究人员设计了CNN以将细胞分为五类:未经处理的(控制);抗X射线或碳离子横束小鼠肿瘤(NR-S1型);未经处理的和抗X射线抗性人颈肿瘤(ME-180型)。它们随后用包含这些类型的单元的8000相位对比微观图像的数据库训练了CNN,并使用另外的2000图像验证了它。

Representative microscopic images

需要一个全面的数据库

网络能够正确地识别验证数据集中的96%的单元格,尽管它识别人类细胞的难度更难。 X射线抗性细胞特别适用于X射线的成功率为91%,而其他类型的肿瘤的成功率为99%。当整理由两个数据集的每个图像的CNN提取的所有4096个特征时,确认该模式以形成2D图:虽然来自小鼠的三种细胞群体彼此不同,但两种人细胞簇是相对彼此相对靠近。

这些结果是更雄心勃勃的设计的踏脚石。未来,团队希望能够培训系统更多的癌症细胞类型,最终目标是建立一个可以自动识别和区分此类细胞的通用系统。

相关事件

版权©2021由IOP Publishing Ltd和个人贡献者