عنوان فارسی مقاله:طبقه بندی و پیش بینی جهش (موتاسیون) از تصاویر هیستوپاتولوژی سرطان ریهی سلولهای غیر کوچک با استفاده از یادگیری عمیق
چکیده
بررسی چشمی اسلایدهای هیستوپاتولوژی، یکی از روشهای اصلی مورد استفاده توسط پاتولوژیستها به منظور ارزیابی مرحله، نوع و زیر نوع تومورهای ریه میباشد. آدنوکارسینوم (LUAD) و کارسینومای سلول سنگفرشی (LUSC)، از شایعترین و غالبترین زیر نوعهای سرطان ریه بوده و تمایز آنها نیازمند بازرسی چشمی توسط یک پاتولوژیست با تجربه است. در این مطالعه، ما یک شبکهی عصبی پیچشی عمیق (اینسپشن V3) را روی تصاویر اسلاید کامل بدست آمده از اطلس ژنوم سرطان به منظور طبقه بندی دقیق و خودکار آنها به LUAD، LUSC و بافت ریهی نرمال آموزش دادیم. عملکرد روش ما مشابه و قابل مقایسه با عملکرد روشهای پاتولوژیستها با سطح میانگین تحت منحنی AUC برابر با ۰٫۹۷ میباشد(تصاویر هیستوپاتولوژی سرطان ریه). مدل ما، بر روی مجموعه دادههای مستقل بافت های منجمد، بافت های آغشته به پارافین و تثبیت شده با فرمالین و بافت برداری زنده یا بیوپسی، اعتبار سنجی گردید. به علاوه، ما شبکه را برای یش بینی ده مورد از متداولترین ژنهای جهش یافته در LUAD، آموزش دادیم. نتایج نشان داد که شش مورد از آنها STK11, EGFR, FAT1, SETBP1, KRAS و TP53 – را میتوان از تصاویر پاتولوژی پیش بینی کرد. AUC های متغیر از ۰٫۷۳۳ تا ۰٫۸۵۶، از جمعیت اندازه گیری شد. این یافتهها نشان میدهد که مدلهای یادگیری عمیق میتواند به پاتولوژیستها در تشخیص زیر نوع سرطان یا جهش ژن کمک کند. رویکرد ما را میتوان برای هر نوع سرطان استفاده کرد(تصاویر هیستوپاتولوژی سرطان ریه).
- لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.