(相关资料图)

导读 一项新研究提出了一种创新方法，可以使用大型高分辨率图像来关键检测癌前病变。来自葡萄牙的一组研究人员开发了一种机器学习解决方案，可帮...

一项新研究提出了一种创新方法，可以使用大型高分辨率图像来关键检测癌前病变。来自葡萄牙的一组研究人员开发了一种机器学习解决方案，可帮助病理学家检测宫颈发育不良，使新样本的诊断完全自动化。它是最早使用完整幻灯片出版的作品之一。

根据世界卫生组织 (WHO) 的数据，宫颈癌是女性中第四大最常见的癌症，2020 年估计有 604,000 例新病例。然而，如果能及早发现并妥善管理，它也是最能成功预防和治疗的癌症类型之一。因此，癌前病变的筛查和检测(以及疫苗接种)对于预防该疾病至关重要。

但是，如果我们可以开发机器学习模型来帮助对鳞状上皮中的病变进行主观分类——这种上皮具有针对微生物的保护功能——使用包含整个组织信息的全幻灯片图像 (WSI)。

从这个意义上说，来自系统和计算机工程、技术与科学研究所 (INESC TEC) 和分子和解剖病理学实验室 IMP Diagnostics 的一组研究人员开发了一种弱监督方法——一种机器学习技术，它可以在模型训练期间结合注释和非注释数据——对宫颈发育不良进行分级。

这一点特别有用，因为病理数据注释很难获得：图像巨大，这使得注释过程非常耗时和繁琐，而且主观性很高。这种技术允许研究人员开发具有良好性能的模型，即使在模型训练阶段缺少一些信息。

然后，该模型会将宫颈发育不良(表面细胞的异常生长)分级为低级别(LSIL)或高级上皮内鳞状病变(HSIL)。

“在宫颈发育不良的检测中，这是首批使用完整幻灯片发表的作品之一，采用的方法包括感兴趣区域的分割和后续分类，使新样本的诊断完全自动化，”Sara 解释说INESC TEC 的研究员 Oliveira。

这个分类过程很复杂并且可能是主观的。因此，机器学习模型的开发可以协助病理学家完成这项任务;此外，计算机辅助诊断 (CAD) 发挥着重要作用：这些系统可以作为可疑病例的第一指示，提醒病理学家注意应该更密切评估的病例。