显微镜加深度学习推进前列腺癌诊断
前列腺癌是对男性健康的普遍威胁，在癌症相关亡中排名第二。每年，约有 250,000 名男性被诊断出患有前列腺癌。虽然大多数病例的发病率和亡率较低，但仍有一部分病例需要积极治疗。泌尿科医生主要通过格里森评分来评估这种治疗的必要性，该评分评估组织学载玻片上前列腺的外观。然而，解释存在很大差异，导致治疗不足和过度治疗。
目前基于组织学载玻片的方法有局限性。仅以 2D 方式查看活检的一小部分，存在错过关键细节的风险，并且在 2D 组织切片上查看时，复杂 3D 腺体结构的解释可能不明确。此外，传统的组织学会破坏组织，限制下游分析。为了解决这些缺点，研究人员开发了 无损 3D 病理学方法，提供活检标本的完整成像，同时保持组织完整性。
最近的进展包括获取 3D 病理数据集的技术，从而改进前列腺癌的风险评估。 发表在《生物医学光学杂志》 (O)上的研究 通过开发深度学习模型来充分利用 3D 病理学的力量，以改善对前列腺癌风险评估至关重要的腺体组织结构的 3D 分割。
由西雅图华盛顿大学 Jonathan TC Liu 教授领导的研究团队直接利用从之前复杂管道获得的 3D 前列腺分割数据训练了深度学习模型 nnU-Net。他们的模型有效地在前列腺活检 3D 数据集中生成准确的腺体 3D 语义分割，这些数据是通过他们团队开发的开顶光片 (OTLS) 显微镜获得的。3D 腺体分割提供了对组织组成的宝贵见解，这对于预后分析至关重要。
Liu 表示：“我们的结果表明，即使训练数据有限，nnU-Net 对前列腺的 3D 分割也具有极高的准确性，为我们之前的 3D 腺体分割方法提供了更简单、更快速的替代方案。值得注意的是，它可以在较低分辨率的输入下保持良好的性能，从而可能减少资源需求。”
新的基于深度学习的 3D 分割模型代表了前列腺癌计算病理学的重大进步。通过促进腺体结构的准确表征，它有望指导关键的治疗决策，最终改善患者的治疗结果。这一进步强调了计算方法在增强医学诊断方面的潜力。展望未来，它有望实现个性化医疗，为更有效、更有针对性的干预措施铺平道路。
计算 3D 病理学超越了传统组织学的局限性，能够揭示疾病进展的宝贵见解，并根据患者的个体需求定制干预措施。随着研究人员不断突破医学创新的界限，征服前列腺癌的探索进入了一个精确性和可能性的新时代。
版权声明：本文由用户上传，如有侵权请联系删除！