5、深度学习在乳腺癌组织病理学分析中的应用

深度学习在乳腺癌组织病理学分析中的应用

1. 深度学习与乳腺癌组织病理学分析概述

在深度学习领域，AlexNet这一CNN架构凭借大幅优势赢得竞赛，对深度学习领域产生了重大影响。后续，更深层次的架构取得了进一步进展，性能远超AlexNet。自2015年以来，医学图像分析中关于深度学习的研究文章迅速增长，如今已成为众多会议的主导话题。近期还举办了一些竞赛，旨在吸引研究人员并开发新方法，以改进用于乳腺癌检测的乳腺钼靶分类。部分乳腺癌组织病理学竞赛包括：ICIAR2018（2018年）、ICPR2012（2017年）、AMIDA（2017年）、MITOSATYPIA - 14（2016年）、CAMELYON16（2016年）、CAMELYON17（2017年）和TUPAC16（2016年）。这些竞赛使不同方法的评估更加透明，便于比较。

2. 乳腺癌组织病理学

当乳腺钼靶检查发现病变后，会进行乳腺活检，获取组织进行病理诊断。从可疑区域取出组织或有时是液体，在显微镜下分析，以检查是否存在乳腺癌，这是确定病变是否为癌性的唯一方法。在组织病理学制备过程中，通过用不同颜色对组织成分染色来使其可视化。在H&E染色组织学中，细胞核染成蓝色，细胞质染成粉色，这是乳腺组织染色的常规方案。然后将载有组织的玻璃载玻片盖上盖玻片，使用WSI35扫描仪以不同放大倍数进行数字化。

诺丁汉分级系统（NGS）是乳腺癌组织病理学分析中非常流行且首选的分级系统。分析组织后，根据肿瘤的侵袭性对组织进行分级。病理学家在显微镜下观察乳腺癌细胞，通过评估三个形态特征得出分数：
- 小管形成：癌细胞形成小管的百分比是多少？
- 核多形性：肿瘤细胞与正常细胞的差异程度如何？