基于Transformer与距离图谱的泛癌细胞核图像分割

肿瘤细胞的密度、核质比和平均尺寸等指标对癌症的分级和预后有重要的意义.在计算病理学中,细胞核分割是肿瘤微环境分析的基础.通过对分割结果进行统计分析,对新的肿瘤标记物的探索有重大的意义.病理图像背景下的细胞核形态不规则,细胞核染色不均匀,且细胞核边缘之间存在黏连的问题,而现有的深度学习算法在细胞核主体分割正确的情况下,边缘的分割错误不会对总体的损失造成太大的影响,黏连的细胞核很容易被当作同一个分割目标.为了解决细胞核重叠问题,本文提出一种基于Transformer与距离图谱的分割模型,将Transformer中的核心多头自注意力机制与距离图谱引导算法相结合,重视细胞核内部,弱化细胞核边界,提升对图像局部和全局上下文信息的学习能力.本文方法在两个公开数据集上的平均Dice系数为0.7979、精度为0.7561、AJI系数为0.6672、Hausdorff距离为10.11.实验结果表明,相较其他分割算法,本文方法的性能更好,能够有效提高细胞核的分割精度,同时较好地解决了细胞核之间的黏连问题.

基于深度学习的医学多模态数据融合方法在肿瘤学中的进展和挑战

【目的】在肿瘤学中,患者有一系列的临床数据,从放射学、组织学、基因组学到电子健康记录。不同数据模式的整合为提高诊断和预后模型的稳健性和准确性提供了机会,使人工智能在临床实践发挥重要作用。【方法】本文将探讨深度学习技术以及其在肿瘤医学数据中的应用,并研究肿瘤学领域多模态数据融合方法的潜在影响和重要发现。【结果】多模态数据能够更好地发现与患者治疗响应、预后效果相关的信息,从而构建更加鲁棒的深度学习模型。【结论】深度学习已经在医学领域取得了显著的进展,特别是在肿瘤学研究中处理多模态医学数据。这些进展为临床提供了更准确、更快速的工具来进行肿瘤的检测、分割、分类和预后预测,同时也面临很多挑战亟须解决。

计算病理学应用研究进展与挑战

计算病理学是病理学与人工智能、计算机视觉等信息技术交叉形成的细分领域,其研究范畴已从病灶检测、免疫组化染色细胞计数迅速拓展至分子病理、预后以及治疗响应等标签的预测中。计算病理模型已在临床研究中得到较为深入的应用,将成为精准医疗背景下重要的辅助诊疗工具。本文对计算病理领域最新应用进展进行综述,并探讨相关研究与应用中的主要挑战与对策。

辽宁省建设工程造价管理工作报告

今天，我们召开全省建设工程造价管理工作暨工程量清单计价规范宣贯会议，主要是总结去年工作，部署今年主要工作任务，宣传贯彻工程量清单计价规范国家标准及辽宁省实施细则。推行工程量清单计价，深化工程造价改革，只靠工程造价管理系统自身的努力是远远不够的。

自动量化的肿瘤-间质比预测胃癌新辅助化疗疗效

目的:探讨通过深度学习的方法来全自动定量评估术前活检标本的肿瘤-间质比(tumor-stroma ratio,TSR)是否可以预测胃癌患者新辅助化疗(neoadjuvant chemotherapy,NAC)疗效。方法:选取2013年3月至2020年3月在云南省肿瘤医院接受NAC治疗的胃癌患者的术前活检切片148张和手术切除切片43张。构建肿瘤区域分割模型和上皮-间质分割模型,使用手术切除切片训练和评估模型,在活检切片上预测,取二者预测结果的交集,根据TSR的定义得到TSR值。根据术后病理学肿瘤退缩分级(tumor regression grade,TRG)将所有患者分为反应良好者(TRG 0~1)和反应不良者(TRG 2~3)。采用单因素和多因素回归分析TSR与胃癌新辅助化疗疗效的相关性。结果:肿瘤组织分割模型的IOU(intersection over union)为0.94,上皮-间质分割模型的IOU为0.88。以44.93%和70.22%作为TSR的临界值,将患者分为低、中、高间质比组,三组之间反应良好者比例具有显著性差异(P<0.05)。多因素分析显示,TSR是治疗前对胃癌NAC反应的独立预测因子(OR=0.10,95%CI:0.03~0.32)。使用常规临床信息预测治疗响应的基础上,加入TSR三分类等级作为治疗响应的预测变量时,曲线下面积(area under curve,AUC)可从0.71提升至0.85。结论:该模型能够在病理切片上自动分割肿瘤区域、上皮区域和间质区域,并能够自动、准确的计算出TSR,同时发现基于此方法自动计算的TSR可以预测NAC疗效。

基于多任务和注意力的胰腺癌全切片图像多组织分割模型

在全切片中分割不同组织对胰腺癌的诊疗十分重要,但目前面临内容复杂、样本偏少、样本异质性高等挑战。本文研究了胰腺癌病理切片八种类别的组织分割,通过引入注意力机制并设计分层共享的多任务结构,利用相关辅助任务显著提升模型性能。本文模型在上海长海医院的数据集上进行训练与测试,并在TCGA公开数据集上进行外部验证,在内部测试集上F1分数均高于0.97,在外部验证集上F1分数均高于0.92,且泛化性能显著优于基线方法。实验表明,本文模型可准确分割胰腺癌全切片图像中的不同组织,为临床诊断提供可靠依据。