01
工作速览
02
匠心独运
图1：FastGlioma工作流程。怀疑患有弥漫性胶质瘤的患者接受外科切除手术。在肿瘤切除过程中，外科医生从手术边缘取样组织。便携式SRH成像系统在手术室获取显微镜图像，由一名技术人员使用简单的触摸屏指令操作。新鲜切除的手术标本直接装载到定制的显微镜玻片中，并插入SRH成像仪，无需组织处理。关于图像获取的更多细节在扩展数据图1中提供。SRH图像可以使用类似H&E的颜色方案进行虚拟染色，以供临床医生审查，如上图所示20。整个切片的SRH图像被分割成多个区块，每个区块通过前馈传递通过一个区块标记器（扩展数据图3a）。这些区块标记，加上附加的分类标记<CLS>，然后输入到一个整体切片SRH编码器中，该编码器是一个视觉变换器。区块标记器和整体切片编码器作为视觉基础模型，使用大规模自监督进行预训练（扩展数据图3b）。对于肿瘤浸润评分，幻灯片评分模型被微调以输出一个介于0和1之间的标准化连续分数，预测整个切片图像中肿瘤浸润的程度，对应于专家神经病理学家定义的四层整体切片序贯浸润量表（扩展数据图2和4）。序贯标签是弱标签，因为它们仅适用于切片级别。尽管标签较弱，FastGlioma通过识别整个切片SRH图像中具有高概率肿瘤浸润的区域，提供了区域可解释性。比例尺，100微米。
03
卓越性能
图2：前瞻性临床测试结果。a. 展示了对患有弥漫性胶质瘤的前瞻性、国际、多中心测试队列患者（n=220）的完整预测结果。ROC曲线（平均值±标准差）显示了预测四个肿瘤浸润水平的平均表现。子群分析在扩展数据图6中展示。SRH基础模型预训练在没有微调的情况下显示出强大的预测性能。当使用序数度量学习进行微调时，FastGlioma的整体性能提高了3.2%。FastGlioma的表现优于使用标准监督训练训练出的模型（平均AUC为84.7±1.1%），如补充表4所示。b. 以标准化四分位数格式展示的FastGlioma浸润分数的箱线图，按真实值。分数与真实序数分数有很强的相关性（ρ=0.77，95%置信区间=0.74-0.78）。个别分数在直方图中显示，并对应于a中的AUROC值。c. FastGlioma在全分辨率（FR）与低分辨率SRH图像上的表现。数据为平均值±标准差。FastGlioma允许成像速度提高10倍，且性能损失极小。d. 整个切片SRH表示在线性判别轴上绘制。FastGlioma学习到的表示将整个切片SRH图像排在近乎线性的肿瘤浸润轴上。e. 按世界卫生组织成人型弥漫性胶质瘤亚型进行的子群分析（ROC曲线以平均值±标准差绘制）。FastGlioma在所有三种成人型弥漫性胶质瘤中表现良好。重要的是，FastGlioma在低级别胶质瘤上表现良好，其中肿瘤浸润和组织细胞性可能较低（扩展数据图7）。低级别和低肿瘤浸润是其他手术辅助工具，如荧光引导手术的主要挑战。WT，野生型。
图3：通用且可解释的FastGlioma预测。展示了来自四个研究中心的弥漫性胶质瘤样本，这些样本涵盖了世界卫生组织成人型弥漫性胶质瘤的全部诊断谱系。通过使用专家医师选择的SRH区块作为支持集，FastGlioma可以匹配底层SRH查询特征，以少量样本（大约10个，仅密歇根大学图像）实现可解释的肿瘤浸润可视化，这些可视化能够跨医疗中心和肿瘤浸润程度进行泛化。FastGlioma的预测和可视化在不同的组织学特征中保持一致，包括密集的肿瘤、浸润性正常脑实质、肿瘤相关的免疫细胞浸润和非典型细胞。FastGlioma能够区分由于肿瘤细胞浸润导致的细胞增多与非肿瘤细胞（如红细胞RBCs）之间的差异。扩展数据图8中提供了额外详细的少量样本可视化。比例尺，100微米。这些图使用了Vecteezy创建。
参考：
Kondepudi, A., Pekmezci, M., Hou, X. et al. Foundation models for fast, label-free detection of glioma infiltration. Nature (2024). https://doi.org/10.1038/s41586-024-08169-3
关注+标星 邂逅每一篇经典
