人工智能在肿瘤精准医学组织病理图像分析中的应用

　　近年来，计算病理学领域发展迅速，计算病理学是指计算方法在病理工作流程中的应用。传统的病理学包括通过检查组织、器官和体液来研究疾病。在计算病理学中，使用计算机算法分析数字病理图像以提取有意义的信息。

　　

近年来，计算病理学领域发展迅速，计算病理学是指计算方法在病理工作流程中的应用。传统的病理学包括通过检查组织、器官和体液来研究疾病。在计算病理学中，使用计算机算法分析数字病理图像以提取有意义的信息。

为此，机器学习、图像分析和数据挖掘等技术被用来协助病理学家完成疾病诊断和预后等任务。数字病理工作流程的采用产生组织病理切片的数字图像，这些图像的大型数据集的出版和计算基础设施的改进促成了最近的技术进步。

计算病理学的方法大致可分为两个目标。首先，常规工作流程的自动化，否则将由病理学家执行，其次是新功能的增加。医学流行病学和生物统计学系的博士生Philippe Weitz在他的论文中关注的是新能力，即新方法的开发、应用和评估，特别是从病理图像中预测基因表达和病理图像之间的配准。这有可能提高精确诊断的质量和可及性。

你论文中最重要的结果是什么?

“我的论文包括五项研究。其中两个重点是开发和评估从组织病理学图像预测基因表达的方法。在这些研究中，我们发现在共表达簇中预测基因表达显著降低了计算成本，同时潜在地提高了预测性能。此外，我们发现基于注意力的多实例学习似乎并没有提高基因表达预测的性能，而且可能更容易出现过拟合的情况。剩下的三个研究集中在病理图像的配准上，这是指从多个图像中对相应组织进行对齐。一个发布描述了ACROBAT数据集，我们发布它是为了方便ACROBAT注册挑战。这是目前最大的公开数据集，包含来自同一肿瘤的不同染色的多幅图像。ACROBAT挑战本身建立了当前最先进的多染色组织病理学图像配准。最后的研究是组织病理学图像配准的应用示例，其中我们证明了使用注册注释训练的癌症检测模型并不亚于为特定染色新生成的注释。”

你为什么对这个话题感兴趣?

“计算基础设施的最新进展和大型公共数据集的可用性使机器学习和人工智能模型能够在研究环境中用于医学诊断。我相信这些方法有可能改变当前临床常规的许多方面，我想为这一发展做出贡献。想到患者可以从我的研究成果中受益，我非常有动力。”

你认为在未来的研究中应该做些什么?

“该领域未来的研究应侧重于在独立验证数据中对当前方法进行严格检查。目前，许多研究依赖于内部测试集来评估算法的性能，这为计算病理学方法在病理部门的广泛采用提供了不足的证据。”