垂体促甲状腺激素腺瘤中SSTR表达谱及全数字切片自动图像分析的探索性研究

目的:探索垂体促甲状腺激素(thyroid stimulating hormone,TSH)腺瘤中生长抑素受体(somatostatin receptor,SSTR)的表达以及全数字切片自动图像分析技术的应用。方法:分析2013年1月至2019年12月北京协和医院的37例垂体TSH腺瘤的石蜡包埋组织标本及临床病理资料,利用各型SSTR1-SSTR5抗体进行免疫组织化学染色,分别进行人工判读和全数字切片自动图像分析,比较各型SSTR表达与性别、年龄、肿瘤大小、Ki-67指数以及侵袭的相关性,并对比人工判读和软件自动分析的一致性。结果:垂体TSH腺瘤中SSTR1、SSTR2、SSTR4和SSTR5多为2分和3分表达,其中3分占比均超过50.0%(4型SSTR占比依次分别为59.5%、78.4%、64.9%和56.8%)。SSTR1表达与侵袭呈明显负相关(人工r=-0.417,P=0.010;软件r=-0.406,P=0.013),并与SSTR2表达具有显著相关性(人工r=0.420,P=0.010;软件r=0.338,P=0.040)。各型SSTR表达的人工判读与图像自动分析结果均显示了较好的一致性。结论:垂体TSH腺瘤肿瘤组织中SSTR1、SSTR2、SSTR4和SSTR5均有较高水平的表达,利用基于数字化全切片的图像自动分析技术可获得与病理医师人工判读相近的评估效果。

全视野数字病理图像智能分析

随着数字组织病理学的快速发展,全视野数字病理切片(whole slide imaging, WSI)在医疗领域得到了广泛应用。近年来,深度学习算法的飞速发展为WSI的研究提供了新契机。为更好地分析WSI,充分利用其中丰富的细节信息,通过深度学习算法提取WSI图像特征,进而完成各种下游任务已成为当前的研究热点。本文对WSI图像的智能分析作了综述,首先介绍了利用深度学习进行颜色归一化的方法,随后回顾了不同研究在输入数据筛选方面采用的不同策略。最后,本文总结了深度学习在WSI的分割、分类、预测三大任务中的应用,并探讨了其在WSI应用中面临的挑战和未来的发展方向。

传统显微镜和数字全切片成像仪在乳腺活检和癌症诊断中准确性方面的比较研究

目的:探讨传统显微镜和数字全切片成像仪在乳腺活检和癌症诊断中准确性的比较。方法:使用数字全切片成像仪和传统显微镜,对2022年1月~2023年1月来漳州市医院和漳浦县医院做病理检测的240例患者的病理样本进行检测,通过比较两种仪器对相同病例的解读,来评估不同仪器对这些病例的准确性以及再现性。结果:从传统显微镜与数字全切片成像仪在良性无异型(82%<90%,P<0.05)、非典型增生(46%<54%,P<0.05)、导管原位癌(83%<88%,P<0.05)和浸润性乳腺癌(94%<97%,P<0.05)在诊断的准确性比较上可以看出,数字全切片成像仪的准确性更高。此外,在病理解释再现性方面,数字全切片成像仪的准确性也高于传统显微镜(83%>79%,P<0.05)。结论:传统显微镜和数字全切片成像仪在乳腺活检和癌症诊断方面的准确率均较高,但是数字全切片成像仪的准确性更优秀。

基于深度学习的人工智能在数字病理学中的进展

全切片数字化图像扫描技术的进步促成了数字病理学的诞生。随着存储技术的提高和互联网技术与计算机技术的迅速发展,深度学习的方法被广泛应用于病理学图像的分析中,其目标是化解病理学图像冗余复杂的信息导致病理学医师诊断和分析困难的问题,减轻病理学医师日常繁琐的分析工作,并提高分析结果的准确度。回顾分析常用于病理学分析的深度学习方法,介绍深度学习在病理学分析中各领域的应用,并讨论深度学习在病理学分析中的挑战和机遇。

国内数字病理发展现状与展望

目的 比较分析国内外数字病理领域的相关文献、政策与医疗实践,探讨国内数字病理发展的困境与突破点,展望未来建设方向。方法 在中国知网、Pub Med等数据库进行检索,收集2010年-2023年数字病理相关文献,基于文献综述方法对其在我国的发展现状进行讨论。结果 国内目前在数字病理的行业规范、监管法规、费用标准化、病理数据库建设等方面存在滞后,病理扫描仪和人工智能标准化、复合人才培养、数据存储方案优化是建设的难点。结论 应加快建设数字病理行业规范和监管法规,关注病理人工智能算法的可解释性和可验证性。数字病理融入病理学教育是较低风险的应用场景,有利于培养数字病理建设所需复合人才。建设高质量病理数据库,对患者隐私保护和数据创新的平衡应予以关注。

一种自动化的数字病理图像质量控制方法

医学病理图像的成像方式称为全切片数字化成像(Whole Slide Image,WSI),即利用数字扫描仪创建整个病理组织的切片图像,达到了与光学显微镜一致的图像质量。WSI是数字病理学领域研究的基础。但是在载玻片制备过程中不可避免的会出现切片的厚薄不均、褶皱、层叠、气泡、模糊、染色不均等因素,不同的扫描仪也会影响图像的质量,这些因素不利于WSI的正常使用。而人工检查WSI又费时费力,并且会受到不同病理医生主观因素的影响。本文研究了一种自动化的质量控制方法,将WSI中的不利因素剔除,以保留有效可用的组织区域。本文方法在一批胃癌的病理图像上进行了验证,验证结果表明,本文方法可以提供自动化的质量控制,以识别出WSI中的可用组织,有助于提高WSI工作流程的效率。

人工智能卷积神经网络在全视野数字切片图像分析中的应用进展

组织学病理是临床疾病诊断的金标准。全视野数字切片(whole slide image,WSI)的出现,虽弥补了传统的玻璃切片易损坏、检索困难以及诊断可重复性差的不足,但同时也带来了巨大的工作量。人工智能(artificial intelligence,AI)辅助病理医师的WSI分析,可解决工作效率低,提高诊断的一致性。其中,以深度学习卷积神经网络(convolution neural network,CNN)算法的应用最为广泛。本文综述目前已报道的CNN在WSI图像分析中的应用情况,总结CNN在病理学领域中的发展趋势并作出展望。

基于深度学习的结直肠癌全视野数字病理切片分子分型识别研究

目的建立人工智能辅助结直肠癌病理切片分子分型诊断系统。方法在癌症基因组图谱(the cancer genome Atlas,TCGA)数据库中筛选出422例结直肠癌患者的812张病理切片,分为训练集(75%)和测试集(25%);存入www.paiwsit.com数据库中,根据资深的病理医生标注的数据进行处理及分割,得到超过400万张带有标签的训练集,最后利用深度学习模型进行训练。结果在经过多种卷积神经网络模型训练后,在110例203张切片的测试集上测试,子图级别达到53.04%的准确率,切片级别准确率达到51.72%,其中结直肠癌共识分子亚型之一的经典型(CMS2)切片级准确率达到75.00%。结论本研究对促进结直肠癌筛查和精准治疗具有重要意义。

基于深度学习的甲状腺癌病理图像分级方法

针对日益增长的甲状腺癌早期诊断的需求,基于深度学习方法,在EfficientNet网络的基础上结合CA注意力机制,进行甲状腺癌病理图像自动分级方法研究。实验结果显示,CA-EfficientNet网络模型的精确率达到96.6%,证明了基于CA-EfficientNet网络的甲状腺癌病理图像自动分级算法的先进性,基于该算法实现的自动辅助诊断系统具有实际应用性,可有效降低病理医生工作负担,并降低因疲劳等主观因素造成的人工诊断误诊率。

基于虚拟显微镜的病理诊断工作的未来模式

基于虚拟切片的远程病理诊断平台是一种全新的病理诊断模式,集临床病理诊断、医学教育、信息资料管理、质量控制等于一体的应用平台,正在改变着传统的病理诊断工作模式。目前虚拟切片制作包括:自动显微镜单光轴连续扫描、渐进式CCD扫描系统(Progressive scan CCD systems)和阵列显微镜(Arrary microscopy),本文综述了上述方法的基本原理及各自的优缺点,对建立基于虚拟切片的远程病理诊断平台的架构、软件硬件方面的技术瓶颈等开展初步的讨论。

人工智能在诊断病理中的应用进展

在大数据的背景下,随着人工智能与云技术的发展及相互结合,数字病理学时代正在来临。以全载玻片成像扫描技术为基础的数字显微技术,不但能使病理切片的获取更加方便,而且正在改变传统的阅片方式。本文分别从肿瘤的诊断及预后判断两方面来探究人工智能在病理诊断中的应用进展及发展现状。