Review of computer vision algorithms in histopathology to decipher complex features in cancer

方法

综述全切片图像、公开数据集与软件，聚焦肺癌、乳腺癌、结直肠癌和前列腺癌。

发现

肿瘤异质性量化是构建稳健AI病理诊断模型的关键难点。

机会点

可探索将农业病理图像AI方法迁移至作物病害全切片分析，或借鉴肿瘤异质性量化思路研究作物表型异质性。

人工智能（AI）技术日益被设计用于增强人类能力，在各类应用中显著提升了速度与准确性。尽管AI在解决常见物体识别、处理大规模数据集以提取特征并作出决策等基础任务方面已展现出高精度，但在特定领域仍面临重大挑战。肿瘤分析中用于精准医学的组织病理学数据评估便是此类复杂任务之一，它要求深入理解生物医学原理并将其融入AI驱动的解决方案。本综述阐述了全切片图像（WSIs）中癌症生态系统的隐藏及相关方面，以及当前在量化肿瘤异质性方面所面临的挑战及其对构建稳健AI解决方案的关键影响。文中讨论了几种癌症类型（肺癌、乳腺癌、结直肠癌和前列腺癌），包括对免费可用数据集和数据处理软件的概述，并涉及计算机视觉模型对特定医学诊断任务的适用性。最后，我们阐述了AI新兴趋势如何与专业医学知识协同整合，从而为组织病理学中可信赖的、基于AI的数字个性化医疗提供新视角。