东芬兰大学的研究人员开发了一种尖端的深度学习模型来预测肿瘤微环境中各种细胞类型的存在和计数。多模式深度学习方法有望提高癌症诊断和治疗计划的准确性和效率。

识别肿瘤微环境中存在的不同类型的细胞可以提供有关肿瘤组织学和基础生物学的有价值的信息。准确可靠的细胞类型计数也是研究和临床应用所必需的。研究人员可以使用细胞计数来研究不同细胞类型在肿瘤微环境中的分布及其与患者预后的关系。在临床实践中，细胞计数可用于监测对治疗的反应并跟踪疾病进展。

“需要更好的方法来使用深度学习方法对病理图像中的细胞类型进行计数。当前基于分割和回归的方法存在局限性，例如需要精确的像素级注释，难以处理重叠的细胞核或模糊区域，以及缺乏关于单个细胞类型位置的信息。此外，概率模型往往会产生不确定的预测，并可能导致对预测的过度自信，”博士研究员 Raju Gudhe 说，他为开发研究所癌症 AI 研究团队提出的方法做出了贡献东芬兰大学临床医学。

该研究在圣地亚哥的 SPIE 医学影像 2023 上提出，提出了一种新的证据多任务深度学习方法，简称 CT-EMT，以解决当前在整个幻灯片肿瘤图像中进行细胞类型计数的方法的局限性。所提出的方法将细胞类型密度估计和细胞类型计数制定为回归任务，将细胞核分割制定为像素级分类任务。作者在两个开源数据集 PanNuke 和 MoNuSAC 上训练和评估了模型。

所提出的细胞类型分割和计数方法在平均全景质量方面优于最先进的 HoVer-Net 和 StarDist 模型，相对改进了 21% 和 12%。