Accurate diagnosis of lymphoma on whole-slide histopathology images using deep learning

Syrykh, Charlotte; Abreu, A.; Amara, Nadia; Siegfried, Aurore; Maisongrosse, V.; Frenois, François X.; Martin, Laurent; Rossi, Cédric; Laurent, Camille; Brousset, Pierre

doi:10.1038/s41746-020-0272-0

Cited by 74 publications

(77 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In this study, the CNN model trained by images directly was capable of differentiating these two types of PITLs (AUC = 0.82); however, the classification performance was significantly inferior to the tree-based models (p < 0.01) using quantitative nuclear morphometric features as input. Previous studies have shown that CNNs can achieve over 95% AUC in the classification of lymphomas, for instance, the diffuse large B-cell lymphoma [29] and the follicular lymphoma (FL) [30]. In these studies, the researchers utilized architectural patterns rather than cellular details for analysis.…”

Section: Discussionmentioning

confidence: 99%

Machine Learning Based on Morphological Features Enables Classification of Primary Intestinal T-Cell Lymphomas

Yu¹,

Wang

et al. 2021

Cancers

View full text Add to dashboard Cite

The aim of this study was to investigate the feasibility of using machine learning techniques based on morphological features in classifying two subtypes of primary intestinal T-cell lymphomas (PITLs) defined according to the WHO criteria: monomorphic epitheliotropic intestinal T-cell lymphoma (MEITL) versus intestinal T-cell lymphoma, not otherwise specified (ITCL-NOS), which is considered a major challenge for pathological diagnosis. A total of 40 histopathological whole-slide images (WSIs) from 40 surgically resected PITL cases were used as the dataset for model training and testing. A deep neural network was trained to detect and segment the nuclei of lymphocytes. Quantitative nuclear morphometrics were further computed from these predicted contours. A decision-tree-based machine learning algorithm, XGBoost, was then trained to classify PITL cases into two disease subtypes using these nuclear morphometric features. The deep neural network achieved an average precision of 0.881 in the cell segmentation work. In terms of classifying MEITL versus ITCL-NOS, the XGBoost model achieved an area under receiver operating characteristic curve (AUC) of 0.966. Our research demonstrated an accurate, human-interpretable approach to using machine learning algorithms for reducing the high dimensionality of image features and classifying T cell lymphomas that present challenges in morphologic diagnosis. The quantitative nuclear morphometric features may lead to further discoveries concerning the relationship between cellular phenotype and disease status.

show abstract

Section: Discussionmentioning

confidence: 99%

Machine Learning Based on Morphological Features Enables Classification of Primary Intestinal T-Cell Lymphomas

Yu¹,

Wang

et al. 2021

Cancers

View full text Add to dashboard Cite

show abstract

“…17,18 Furthermore, a large histopathology-based study to recognize FL versus reactive hyperplasia showed that machine learning techniques were reliable in screening for FL, even those that were BCL2 À . 19 These tools were promising but used pathology criteria alone as the gold standard for comparison.…”

Section: Chronic Lymphocytic Leukemiamentioning

confidence: 99%

Histopathologic and Machine Deep Learning Criteria to Predict Lymphoma Transformation in Bone Marrow Biopsies

Irshaid¹,

Bleiberg

Weinberger

et al. 2021

Archives of Pathology &Amp; Laboratory Medicine

View full text Add to dashboard Cite

Context.— Large-cell transformation (LCT) of indolent B-cell lymphomas, such as follicular lymphoma (FL) and chronic lymphocytic leukemia (CLL), signals a worse prognosis, at which point aggressive chemotherapy is initiated. Although LCT is relatively straightforward to diagnose in lymph nodes, a marrow biopsy is often obtained first given its ease of procedure, low cost, and low morbidity. However, consensus criteria for LCT in bone marrow have not been established. Objective.— To study the accuracy and reproducibility of a trained convolutional neural network in identifying LCT, in light of promising machine learning tools that may introduce greater objectivity to morphologic analysis. Design.— We retrospectively identified patients who had a diagnosis of FL or CLL who had undergone bone marrow biopsy for the clinical question of LCT. We scored morphologic criteria and correlated results with clinical disease progression. In addition, whole slide scans were annotated into patches to train convolutional neural networks to discriminate between small and large tumor cells and to predict the patient's probability of transformation. Results.— Using morphologic examination, the proportion of large lymphoma cells (≥10% in FL and ≥30% in CLL), chromatin pattern, distinct nucleoli, and proliferation index were significantly correlated with LCT in FL and CLL. Compared to pathologist-derived estimates, machine generated quantification demonstrated better reproducibility and stronger correlation with final outcome data. Conclusions.— These histologic findings may serve as indications of LCT in bone marrow biopsies. The pathologist—augmented with machine system appeared to be the most predictive, arguing for greater efforts to validate and implement these tools to further enhance physician practice.

show abstract

“…Prowadzonych jest coraz więcej badań, których celem jest porównanie trafności rozpoznań dokonywanych przez sztuczną inteligencję z rozpoznaniami stawianymi przez doświadczonych patomorfologów. Wyniki dowodzą, że w dużej części przypadków sztuczna inteligencja radzi sobie podobnie do specjalistów, a dodatkowo może im pomagać w stawianiu rozpoznań, zmniejszając tym samym ryzyko błędu ludzkiego [43][44][45][46][47][48].…”

Section: Zastosowania Ai W Patomorfologiiunclassified

“…Innym przykładem wykorzystania AI w patomorfologii jest konwolucyjna sieć neuronowa, która uzyskała ponad 90% dokładności w stosunku do danych walidacyjnych w rozpoznawaniu glejaka mózgu, dokładność wynoszącą 96% przy klasyfikacji GBM lub LGG oraz 71% w identyfikacji stopnia LGG II lub III [45]. Z kolei w innym badaniu zaprojektowano sieć neuronową, do której walidacji i wyszkolenia użyto 378 preparatów mikroskopowych z biopsji węzłów chłonnych w przebiegu chłoniaka grudkowego (197) lub hiperplazji pęcherzykowej (181), a które uzyskała AUC mieszczący się w granicach 0,92-0,99 [47].…”

Section: Zastosowania Ai W Patomorfologiiunclassified

Applications of Artificial Intelligence (AI) in medicine

Niewęgłowski¹,

Wilczek²,

Madoń³

et al. 2021

Med Og Nauk Zdr.

View full text Add to dashboard Cite

Wprowadzenie i cel pracy. Problematyka sztucznej inteligencji jest stosunkowo nowym zagadnieniem w naukach medycznych. Regularnie pojawiają się publikacje dotyczące jej zastosowań w medycynie. Często dotyczą one wykorzystania algorytmów głębokiego uczenia, opartego na sieciach neuronowych, które są w stanie rozpoznać zmiany chorobowe widoczne na obrazie. Celem pracy jest omówienie możliwości wykorzystania sztucznej inteligencji w medycynie, szczególnie w radiologii i patomorfologii, oraz przedstawienie osiąganych dzięki niej wyników. Metody przeglądu. W marcu 2021 roku przeszukano bazę danych Medline (PubMed) oraz Google Scholar przy użyciu słów kluczowych: "artificial intelligence", "deep learning", "machine learning", "digital pathology", "convolutional neural network". Wybrano prace opublikowane w języku angielskim, w latach 2015-2021. Opis stanu wiedzy. Istnieje wiele doniesień o zastosowaniach sztucznej inteligencji w medycynie, głównie w dziedzinie radiologii i patomorfologii. Badania pokazują, że samouczące się algorytmy są w stanie z dokładnością zbliżoną do oceny przeprowadzonej przez lekarzy, a niekiedy nawet większą, wykryć zmiany chorobowe na zdjęciu rentgenowskim, tomografii komputerowej czy na zdjęciu preparatu mikroskopowego. W przedstawionych badaniach zauważalne są istotne korzyści wynikające z synergistycznego działania lekarzy i sztucznej inteligencji. Podsumowanie. Wyniki uzyskiwane przez algorytmy oparte na sztucznej inteligencji świadczą o tym, że może ona usprawniać proces diagnozowania pacjentów, głównie dzięki uzupełnianiu wiedzy i doświadczenia lekarzy. Ważną kwestią jest również to, że korzystanie przez lekarzy z samouczących się algorytmów zmniejsza ryzyko popełnienia błędu ludzkiego, np. niezauważenia zmiany chorobowej widocznej na zdjęciu rentgenowskim.

show abstract

Accurate diagnosis of lymphoma on whole-slide histopathology images using deep learning

Cited by 74 publications

References 22 publications

Machine Learning Based on Morphological Features Enables Classification of Primary Intestinal T-Cell Lymphomas

Machine Learning Based on Morphological Features Enables Classification of Primary Intestinal T-Cell Lymphomas

Histopathologic and Machine Deep Learning Criteria to Predict Lymphoma Transformation in Bone Marrow Biopsies

Applications of Artificial Intelligence (AI) in medicine

Contact Info

Product

Resources

About