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。

基于深度学习技术的影像组学和数字病理学在子宫颈癌中的研究进展

子宫颈癌是常见的妇科恶性肿瘤之一,发病率和死亡率在我国仍处于较高水平,且子宫颈癌发病趋于年轻化,是影响女性生育能力及生命安全的重要因素之一[1-3]。CT、MRI、超声等影像学检查以及肿瘤标志物等相关实验室检查可作为辅助诊断子宫颈癌的手段之一。

基于卷积神经网络的肝细胞癌复发预警数字病理学模型研究

目的:探讨基于卷积神经网络(CNN)的数字病理学模型在肝癌复发预警中的预测价值。方法:本研究包含4个肝癌队列,队列1和队列3为训练集,队列2和队列4为验证集。队列1、2、3分别有202、179、738例患者,来源于2012年1月至2017年1月浙江大学医学院附属第一医院1119例肝癌患者。队列4是来自美国的癌症基因组图谱(TCGA)数据库361例患者。首先,在队列1运用7种CNNs(AlexNet、Squeezenet、InceptionV3、GoogleNet、DenseNet201、VGG19和ResNet18)训练肝癌病理切片病灶自动识别模型,区分肿瘤区域与正常组织;选择最佳的神经网络模型,通过迁移学习构建肿瘤区域成分抽提模型,解析肿瘤区域5种不同成分(肿瘤细胞、淋巴细胞、间质、坏死及背景),并在队列2上验证;在队列3上探索这5种成分与肝癌术后复发的相关性,并联合临床特征构建肝癌术后复发预警模型,在队列4进行独立的外部验证。生存分析采用Kaplan-Meier法和Log-rank检验,生存预后影响因素分析采用LASSO-Cox比例风险回归模型。结果:在队列1中,AlexNet、DenseNet201、VGG19和ResNet18鉴别肝癌病灶的准确率均高于95.0%。在队列2中,神经网络VGG19的准确率最佳,达96.4%,选择VGG19迁移至肿瘤区域成分抽提模型,其分割5种成分的准确率达99.0%。在队列3中,多因素Cox分析显示,高淋巴细胞神经网络评分(LYM)和低间质神经网络评分(STR)与患者术后复发明显相关(HR=0.70,1.38;P<0.05);基于LYM、STR、AFP、美国癌症联合委员会(AJCC)分期构建术后复发风险的预警模型,在训练集和验证集中,模型可对患者术后复发风险精准分层(χ^(2)=45.06,15.49;P<0.05)。在独立队列4中,肝癌复发预警模型进一步验证,LYM、STR病理特征综合评分可提高AJCC分期的无复发生存预测能力。结论:基于CNN的肝癌病灶自动识别模型和肿瘤区域成分抽提模型可智能化分割肝癌数字病理切片,实现肝癌术后复发预警,LYM、STR为术后复发相关的新型病理预测因子。

病理学与病理生理学课程中数字化教学资源库应用的思考

在信息时代,数字化教学资源是完成教学过程的重要载体。加强数字化教学资源库的建设,打造线上线下混合式“金课”,既是对教学资源的收集、累积与应用,也是对传统教育教学方式进行改进和创新的必备手段。本文以大庆医学高等专科学校为例,聚焦医学类高职院校的临床医学专业的数字化病理学与病理生理学资源库的建设与应用,开展线上线下混合式教学,加快推进“互联网+职业教育”,用数字化赋能医学职业教育高质量发展。

深度学习在膀胱癌病理学中的研究进展

膀胱癌的发病率逐年上升,其诊断的金标准依赖于组织病理活检。全载玻片数字化技术可产生大量高分辨率捕获的病理图像,促进了数字病理学的发展。随着人工智能的热潮掀起,深度学习作为人工智能的一种新方法,已经在膀胱癌的肿瘤诊断、分子分型、预测预后和复发等病理图像分析中取得了显著成果。传统病理极度依赖于病理学家的专业水平和经验储备,主观性强且可重复性差。深度学习以其自动提取图像特征的能力,在辅助病理学家进行决策时,可提高诊断效率和可重复性,降低漏诊和误诊率。这不仅能缓解目前面临人才短缺和医疗资源不均的压力,而且也能促进精准医疗的发展。本文就深度学习在膀胱癌病理图像分析中的最新研究进展和前景作一述评。

显微知著:人工智能在肾癌数字病理中的应用现状及挑战

随着肾癌筛查技术的进步,我国肾癌早期检出率逐年上升。病理诊断作为肾癌诊断的金标准,在诊疗过程中具有重要的临床意义。然而,通过肉眼在显微镜下观察和评估病理切片通常具有一定主观性,难以对重要的病理特征进行定量。数字病理学将组织病理切片扫描成全切片图像,然后利用人工智能方法对病理图像进行计算和分析,从而实现从肿瘤组织学图像中提取隐含生物信息,为病理诊断及临床决策提供了更全面和实用的信息。本文就肾癌中重要的病理特征、数字病理学分析方法以及当前数字病理学在肾癌诊疗中的应用进行概述。

基于人工智能的影像组学与数字病理学研究在脑胶质瘤诊断中的应用进展

随着计算效能的指数级增长、大数据时代的到来以及“医工结合”等新学科交叉的兴起,人工智能(AI)在医学领域开启了一个全新的时代。AI可应用于疾病诊断、数据分析、临床决策等方面。脑胶质瘤的精准诊断和病理分级一直以来都是临床工作中的一个难点。本文围绕AI在脑胶质瘤影像诊断与病理分级中的应用、前景与挑战等方面进行综述。

“病理学”课程线上教学模式的探索与实践

2020年初突如其来的特殊情况,让整个社会高度关注在线教学。桂林医学院于2020年春季采用线上教学方式进行授课,病理学教研室通过对线上教学模式的初步探讨,制定了线上教学方案。该方案基于病理学数字化教学平台,结合腾讯直播课堂+录播课程+QQ群辅助开展特殊时期的大学生病理学理论课和实验课的教学,并取得了较好的成效。

面向下一代数字病理成像分析仪的高通量全彩色傅里叶叠层显微成像术(特邀)

傅里叶叠层显微成像术是近年来提出的新型计算成像技术,它有效解决了传统显微成像中分辨率与视场制约的问题,无需对样本进行机械扫描便能获得十亿像素级的高通量图像,有效解决传统数字病理扫描仪器的拼接伪影、重影、拼接成功率低、景深狭小、效率偏低等问题。近年来更是发现其不单是解决视场与分辨率制约的工具,更是解决一系列权衡问题的范式,从而迸发出源源不绝的生命力与应用潜力。本文全方位概述了傅里叶叠层显微成像术技术9个方面的发展趋势,简介了其起源与基本原理,着重综述了其在面向下一代数字病理成像分析仪的多个阶段与最新进展。指出其在这一应用方向上已进入“10-100”的产业化阶段。讨论了其产生大规模社会经济效益的可能性,其极有可能给数字病理行业及其上下游相关行业带来突破进展。尽管如此,作为典型交叉领域仍有不尽人意之处,包括科学问题、技术问题、工程问题及行业问题,需要多方共同努力推进,展望了未来技术与工程发展方向。

人工智能在肺癌病理诊断中的应用及展望

病理学是用以确定肺癌最终诊断的基本工具,有效和准确的病理诊断对于患者的后续治疗至关重要。传统病理诊断由经验丰富的病理学家在显微镜下逐一评估所有切片,此过程耗时长、主观性强,经验不足的病理医师可能出现漏诊、误诊,因此提高诊断的准确性和稳定性是一项挑战。人工智能(AI)非常善于发现高维数据中的复杂结构,非常适合病理数字图像分析,尽管将其应用到临床病理诊断可能还有很长的路要走,但可以看到的是近年来用于肺癌病理图像分析的AI研究正迅速增加。对于相对简单的任务,一些AI模型已能接近病理专家水平,而涉及多医学中心、大样本量及多模态的模型还需进一步研究。随着AI技术的改进和发展,在未来数字病理将发挥主导作用,使诊断更加高效和准确,帮助病理学家满足越来越多患者的需求并帮助临床增加疾病的治疗选择范围。

人工智能在毒性病理学中的应用

毒性病理学是临床前药物安全性评价的重要组成部分。随着计算机科学的发展和全切片数字扫描切片技术的发展,人工智能(AI)已经广泛应用于药物安全性评价领域,也包括病理学的各个方面,如诊断病理学、兽医诊断学、病理学研究、监管毒理学和病理学初级阅片及同行评议等。AI病理学平台的应用逐渐影响精准医学和个性化医学的未来发展。然而,与其他重要的科学技术进步一样,AI在毒性病理学领域的实施和应用也面临巨大的挑战。通过简要综述数字病理学的发展、算法类型、AI在毒性病理学中的应用概况、AI的监管环境等,以期为AI在毒性病理学中的研究发展及广泛应用提供新的思路。

信息化建设在病理科管理中的重要作用

随着计算机信息技术和网络技术的高速发展,病理学已经进入数字病理学的时代。病理信息系统(pathology information system,PIS)、医院信息系统(hospital information system,HIS)和医学影像信息系统(picture archiving and communication systems,PACS)的无缝融合为病理质控、科研和教学提供了良好的信息化平台。以远程数字影像传输为主的远程病理会诊网络与服务体系也通过信息化将病理学推向资源共享的新时代。本文重点介绍信息化建设在病理科医疗、教学、科研、员工培养、耗材管理、绩效考核及远程会诊中的重要作用,以促进病理科的发展。

人工智能在肿瘤病理诊断及临床决策中的展望

癌症管理涉及疾病诊疗的全过程,包括早期检测、肿瘤诊断、测定肿瘤边缘、跟踪肿瘤演变、预测肿瘤复发及评估患者转归等。病理学作为一门探索疾病病因、发病机制、形态结构、功能和代谢等的传统学科,是肿瘤诊断的金标准,参与了癌症管理的整个过程。人工智能在病理学中的应用为癌症管理提供了强有力的工具,病理人工智能在疾病诊断/辅助诊断、精准医疗和生命探索中都将起到重要作用。

人工智能在病理诊断领域的进展

基于近几年机器视觉的发展,深度学习的人工智能方法应用于组织病理极大程度上促进了病理学家解决临床上的诊断问题,用该种方法解决病理学问题可被称为计算机病理学。人工智能可以做到帮助病理学家初筛大部分良性数据、辅助诊断、疗效预测、识别生物标志物等,甚至可以做到对药效治疗监测以及识别药物发现未知的信号。基于深度学习在病理领域的深入研究,让计算机自动处理病理数据成为可能。人工智能诊断决策建立在大数据之上,很多有可能做到对每个病人的个性化管理,对于大多普遍性的疾病诊断有着更加快速准确的优势。但数字病理学的发展仍受到一些问题的限制,以至于现阶段没有广泛应用于数字病理诊断平台。本文总结了近几年人工智能在病理诊断领域的最新进展,并讨论这种技术的可行性,补充说明在数字病理学中遇到的困难和挑战,并提出在该领域实用性上的展望。

人工智能技术在宫颈癌筛查和精准临床诊疗中的研究进展

宫颈癌的发病率和死亡率均高居女性恶性肿瘤的第4位,且呈年轻化趋势。由于不同地区资源分布不均,患者防治效果存在较大差异,因此需探索适宜不同资源地区的新型诊疗手段,加快推进宫颈癌防治工作。人工智能(artificial intelli-gence,AI)是一门研究开发计算机程序来模拟、延伸和拓展人行为的科学,近年来在图像分析方面表现优异,在癌症精准筛查、诊断及指导治疗方面展现了巨大潜能,但是目前仍然存在较大的问题及挑战,不可能完全代替医生诊断。本文通过对AI技术在宫颈癌早期筛查和精准临床诊疗方面的研究进展进行总结,以期为患者个性化治疗提供参考,提高患者临床疗效。

非临床毒理学研究使用全切片图像进行组织病理学评价和同行评议的研究进展

经过验证遵从良好实验室规范(GLP)并适合目的的全切片图像(WSI)系统,不仅可用于GLP条件下非临床毒理学研究的数字组织病理学评价和同行评议,而且可提高全球化数字组织病理学评价和同行评议的灵活性,并可提供数字化图像数据用于今后人工智能和机器学习图像分析。简要介绍了美国食品和药品监督管理局和经济合作与发展组织关于在GLP条件下非临床毒理学研究中使用WSI或数字组织病理学的指导原则,硬件和软件的验证,合同研究组织验证WSI数据的采集和传输,委托方验证WSI数据的下载和查看,以及使用经过验证的WSI系统对大鼠吸入毒理学试验所开展的数字组织病理学评价和同行评议,以期为中国药物非临床毒理学研究使用WSI进行组织病理学评价和同行评议提供一定参考,加快与国际先进国家接轨的进程。

数字病理临床应用现状及前景展望

近年来,随着图像处理和网络传输技术的进步,数字病理学在临床的应用越来越广泛,基于数字图像的人工智能辅助诊断技术不断涌现。作为应用最为广泛成熟的领域,远程病理学正通过远距离数字图像的电子传输改变着病理诊断的时空范围;全数字化病理科正在实现诊断模式和工作流程由显微镜诊断向数字图像电脑阅片的转换,而且已经有了大型全数字化病理科的成功案例。但在数字病理的实施过程中还有诸多问题(如扫描仪的质量稳定性和成本、系统的验证、工作流程的再造以及病理从业人员的培训和观念转变等)需要不断完善改进。人工智能诊断技术虽然潜力巨大,但在病理工作中的应用还仅限于辅助诊断范畴,实现全面的智慧病理诊断的路还很漫长。数字病理学的兴起,必将使病理工作的方式发生深刻的变革,同时为智慧病理奠定良好的基础。

病理切片疫苗安全性指标自动检测技术

针对猪病灭活疫苗研发、生产过程中和疫苗病理安全性检测时,存在对油乳佐剂残留、炎症细胞聚集2大主要安全性指标评估人工统计不准确、效率低的问题,建立了一套小型病理切片的病理图像采集显微系统,并提出了针对疫苗安全性指标的定量分析算法,实现了对病理切片快速数字化图像采集,以及对待测指标的定量统计分析及检测结果的可视化标记。搭建了一套高分辨率病理图像采集显微系统,并建立了炎症细胞聚集区域病理图像分割模型和油乳佐剂疫苗残留区域病理图像分割模型。对整张数字病理图像进行窗口扫描,得到整张病理图像2大指标的分析结果并进行可视化视觉标注。结果表明,此检测系统能在数秒内完成病理切片的病理图像采集,并对关键疫苗病理安全性检测指标进行可视化标记和定量分析,对油佐乳剂残留像素检出覆盖率误差为0.015,检测像素交并比为0.89,炎症细胞聚集平均像素检出覆盖率误差为0.01,检测像素交并比为0.74,实现了对病理安全性指标高精度无干预的自动检测分析和标记,可以满足实际生产和研究的检测需求。