ConvPath软件使用人工智能识别癌细胞

ConvPath软件工作流的此图显示了AI算法如何自动识别病理图像（上部图像）中的每个单元，作为肿瘤细胞（橙色），基质细胞（绿色）或淋巴细胞（蓝色），然后将图像转换为a空间地图（中间图像）。肿瘤细胞的簇进一步鉴定为肿瘤区域（底部图像中的橙色区域）。

资料来源:UT西南医学

不同类型细胞的空间分布可以揭示癌症的生长模式，其与周围的微环境的关系以及身体的免疫应答。但是手动识别病理幻灯片中所有细胞的过程是极其劳动密集型和易于出错的。“由于组织样品中通常存在数百万个细胞，因此病理学家只能在一天中分析这么多的载玻片。为了进行诊断，病理学家通常只会详细检查几个“代表性”区域，而不是整个幻灯片。然而，这种方法可能会错过一些重要的细节，“博士学博士”安迪“萧博士说，一项研究中发表的一项研究作者，在UT Southwestern的人口教授和数据科学教授。

肖博士补充说，人类的大脑不善于捕捉微妙的形态模式。因此，系统研究肿瘤微环境的主要技术挑战是如何自动分类不同类型的细胞，并量化其空间分布，他说。

肖博士和他的团队开发的人工智能算法名为“ConvPath”，通过使用人工智能对肺癌病理图像中的细胞类型进行分类，克服了这些障碍。

这是它的工作原理：ConvPath算法可以在细胞上“看”，并根据使用从人类病理学家学习的AI算法的病理图像的外观来识别它们的类型。该算法有效地将病理图像转换为显示肿瘤细胞，基质细胞（即结缔组织细胞）和肿瘤组织中淋巴细胞（即白细胞）的空间分布和相互作用。

肿瘤细胞是否浓得很好或蔓延到基质淋巴结中是揭示身体的免疫应答的因素。因此，了解信息可以帮助医生定制治疗计划并确定正确的免疫疗法。

最终，该算法帮助病理学家以更快的方式获得最精确的癌细胞分析。“对于病理学家来说，在组织图像中定位非常小的肿瘤区域既费时又困难，所以这可以大大减少病理学家需要花费在每张图像上的时间。”Xiao博士说，他在Lyda Hill生物信息学部门也有职位，是UTSW定量生物医学研究中心(QBRC)和Harold C. Simmons综合癌症中心的成员。