Automated Diagnosis of Lymphoma with Digital Pathology Images Using Deep Learning
Auteurs : Hanadi El Achi, Tatiana Belousova, Lei Chen, Amer Wahed, Iris Wang, Zhihong Hu, Zeyad Kanaan, Adan Rios, Andy N. D. Nguyen
Points clés générés par l'IA
- Des études récentes ont montré des résultats prometteurs dans l'utilisation de l'apprentissage profond pour détecter la malignité dans l'imagerie en coupe entière.
- L'apprentissage profond avec un algorithme de réseau neuronal convolutif a été utilisé pour construire un modèle de diagnostic du lymphome pour quatre catégories diagnostiques : ganglion lymphatique bénin, lymphome diffus à grandes cellules B, lymphome de Burkitt et lymphome lymphocytaire petit.
- Le logiciel a été codé en langage Python.
- 128 cas ont été utilisés, avec 32 cas par catégorie diagnostique.
- Des images numériques en coupe entière colorée à l'hématoxyline et à l'eosine ont été obtenues.
- Quatre séries de 5 images représentatives dimensionnées à 40x40 pixels ont été prises pour chaque cas.
- Un total de 2 560 images ont été obtenues, dont 1 856 utilisées pour l'entraînement, 464 pour la validation et 240 pour les tests.
- Les résultats des tests ont montré une excellente prise en charge diagnostique atteignant 95% pour la prise en charge image par image et 10% pour la prise en charge ensemble par ensemble.
- Cette étude initiale fournit une preuve conceptuelle permettant d'intégrer un écran diagnostique automatisée du lymphome au flux de travail futur de pathologie afin d'amplifier la productivité des pathologistes.
Résumé : Recent studies have shown promising results in using Deep Learning to detect malignancy in whole slide imaging. However, they were limited to just predicting positive or negative finding for a specific neoplasm. We attempted to use Deep Learning with a convolutional neural network algorithm to build a lymphoma diagnostic model for four diagnostic categories: benign lymph node, diffuse large B cell lymphoma, Burkitt lymphoma, and small lymphocytic lymphoma. Our software was written in Python language. We obtained digital whole slide images of Hematoxylin and Eosin stained slides of 128 cases including 32 cases for each diagnostic category. Four sets of 5 representative images, 40x40 pixels in dimension, were taken for each case. A total of 2,560 images were obtained from which 1,856 were used for training, 464 for validation and 240 for testing. For each test set of 5 images, the predicted diagnosis was combined from prediction of 5 images. The test results showed excellent diagnostic accuracy at 95% for image-by-image prediction and at 10% for set-by-set prediction. This preliminary study provided a proof of concept for incorporating automated lymphoma diagnostic screen into future pathology workflow to augment the pathologists' productivity.
Outils pour cet article
Posez des questions sur cet article à notre assistant IA
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.
Le résumé précédent a été créé il y a plus d'un an et peut être réexécuté (si nécessaire) en cliquant sur le bouton Exécuter ci-dessous.
⚠La licence de cet article spécifique ne nous permet pas de nous appuyer sur son contenu et les outils de synthèse seront exécutés en utilisant les métadonnées de l'article plutôt que l'article complet. Cependant, l'outil produira quand même un bon résultat, et vous pouvez également essayer nos outils sur des papiers avec des licences plus ouvertes.
Articles similaires résumés avec nos outils d'IA
Naviguez à travers encore plus d'articles similaires en utilisant une
représentation arborescenteRecherchez des articles similaires (en version bêta)
Nous comparons le titre et le résumé avec les articles indexés dans notre base. Pour les articles arXiv, la recherche porte sur la même catégorie ; pour les DOI et les autres sources, elle couvre toutes les sources et disciplines. Vous pouvez la relancer à mesure que notre base s’enrichit.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.