Automated Classification of AML and Multiple Myeloma from Blood Smear Whole Slide Images using Deep Neural Networks
本文提出了一种全无监督深度学习流水线，通过结合 Sobel 边缘检测、高斯混合模型聚类和基于 VGG16 的迁移学习，在无需人工标注的情况下，实现了对血涂片全切片图像中急性髓系白血病和多发性骨髓瘤的高准确度诊断分类。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在静谧且高风险的医学诊断世界中，病理学家往往依赖于最基本的工具：显微镜。当患者出现血液癌症症状时，医生会取一小滴血液，将其涂抹在玻璃载玻片上，并用彩色染料进行染色，以揭示细胞隐藏的结构。两种特别具有侵略性的血液癌症——急性髓系白血病和多发性骨髓瘤，会在这些细胞景观中留下独特的指纹。几十年来，经过训练的人眼一直是解读这些载玻片的金标准，能够识别出预示疾病的细胞形状和排列的细微差异。然而，现代医学已开始将这一过程数字化，创建了覆盖整个载玻片的超大规模、高分辨率数字图像。这些数字文件如此庞大，以至于以吉像素（gigapixels）为单位进行衡量，包含了数百万个微小的细节，令传统的计算机程序难以处理。科学家面临的挑战在于，如何教会计算机在这些巨大的文件中看到人类病理学家所看到的景象，而不至于迷失在海量的数据中，或者需要人类手动指出每一个细胞。
路易斯大学（Lewis University）的一个研究小组开发了一种解决此问题的新方法，创建了一个能够自动区分来自这些大规模数字血液载玻片的急性髓系白血病与多发性骨髓瘤的系统，且无需任何人工干预。研究人员并没有试图一次性分析整个巨大的图像（这对计算机来说负担过重），而是将问题分解成更小、更易处理的部分。他们将数字载玻片视为一个巨大的马赛克，并将其切割成数千个微小的正方形小块（tiles）。第一步是教会计算机忽略空白区域。就像人类会忽略页面上的空白边缘而专注于文字一样，研究人员使用了一种数学滤波器来突出图像中的物体边缘。这种被称为索贝尔（Sobel）边缘检测器的滤波器就像一支荧光笔，它描绘出细胞和组织的轮廓，同时淡化空白背景和载玻片本身的黑色边缘。
一旦计算机识别出哪些小块包含实际的生物材料，它就会使用一种聚类方法将有用的块与无用的块分开。这个过程类似于在从未被告知颜色信息的情况下，通过颜色对一袋混合在一起的弹珠进行分类；计算机观察每个小块中的边缘模式，并根据相似性将它们分组。这种无监督的方法使系统能够自动丢弃那些仅仅是空白背景或图像伪影的小块，从而留下一个干净的、充满细胞结构的块集合。从原始的三十四张数字载玻片中，这一过滤过程产生了近 385,000 个包含细胞的信息性小块，同时丢弃了超过 154,000 个不具备诊断价值的小块。
在拥有了这些精选的细胞小块集合后，研究人员转向了一种名为“迁移学习”（transfer learning）的强大工具，来教导计算机如何区分这两种疾病。他们使用了一个现有的深度学习模型，该模型最初是在数百万张日常照片（如猫、狗和汽车）上训练的，现在被重新用于观察血细胞。因为计算机已经通过对通用图像的训练学会了如何识别复杂的形状、纹理和模式，所以它可以快速适应识别血液癌症细胞的具体任务，而无需庞大的标记过的医学图像数据库。研究人员将选定的细胞块输入到这个系统中，系统从中提取深层的、隐藏的特征，并将其传递给一个专门构建的神经网络，用于做出最终决策。这个网络学会了识别两种癌症之间细微的形态差异，有效地成为了一个专家级的分类器。
这一自动化流程的结果非常精准。当在它从未见过的测试集上进行测试时，该系统正确识别癌症类型的比例接近 97%。它在发现疾病存在时非常有效，在确认疾病不存在时也同样出色，从而最大限度地降低了误报的风险。为了确保计算机不是在瞎猜，研究人员使用了一种可视化技术，突出了模型在做出决策时究竟在关注图像的哪些部分。这些视觉图谱显示，系统关注的是实际的细胞结构，即人类病理学家会检查的那些特征，而不是随机噪声或载玻片的无关部分。
这项工作证明，利用一个完全自动化的过程，可以在不需要医生手动标注图像的情况下，构建出一个高度准确的血液癌症诊断工具。通过结合用于寻找细胞的边缘检测、用于清理数据的聚类以及用于提取特征的迁移学习，研究人员创建了一个性能优于许多现有方法的流程，而现有方法往往依赖于较旧且不够先进的技术。研究表明，即使只有相对较少的患者样本，如果数据处理得当，也是可以实现高诊断准确度的。然而，作者也谨慎地指出，该系统旨在辅助医疗专业人员，而非取代他们。目前的模型是在从同一组载玻片中提取的小块上进行训练和测试的，这意味着它尚未被证明在来自不同医院或使用不同染色方法的全新患者身上同样有效。虽然这项技术在数字病理学的未来展现出了巨大的潜力，但研究人员强调，在将此类工具用于指导临床治疗决策之前，还需要在独立的患者群体中进行进一步的测试。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。