在吉像素病理图像中检测癌症转移灶

每年，美国有超过23万名乳腺癌患者需要根据癌症是否已经从乳房扩散来决定治疗方案。目前，转移灶检测是由病理学家审查大量生物组织切片来完成的。这一过程既费时又容易出错。本文提出了一种框架，能够在大小为100,000 x 100,000像素的千兆像素显微图像中自动检测并定位小至100 x 100像素的肿瘤。我们的方法采用了卷积神经网络（CNN）架构，在Camelyon16数据集上取得了当前最佳的病变水平肿瘤检测结果。在每张图像8个假阳性的情况下，我们检测到了92.4%的肿瘤，而之前最好的自动化方法仅能检测到82.7%。相比之下，尝试进行详尽搜索的人类病理学家达到了73.2%的敏感度。我们在Camelyon16测试集和一个独立的110张幻灯片集上均获得了超过97%的图像级AUC分数。此外，我们发现Camelyon16训练集中有两张幻灯片被错误地标记为正常。我们的方法可以显著降低转移灶检测中的假阴性率。