摘要

每年，美国超过23万名乳腺癌患者的治疗决策都取决于癌症是否已发生远处转移。目前，转移灶的检测依赖于病理学家对大面积生物组织切片进行人工审查，这一过程耗时费力且容易出错。本文提出了一种自动化框架，能够在尺寸达10万×10万像素的千兆像素级显微图像中，自动检测并定位小至100×100像素的肿瘤病灶。该方法基于卷积神经网络（CNN）架构，在具有挑战性的病灶级肿瘤检测任务中，在Camelyon16数据集上取得了当前最优的性能表现。在每张图像仅产生8个假阳性的情况下，我们的方法可检测到92.4%的肿瘤病灶，显著优于此前最优自动化方法的82.7%检测率。相比之下，一位病理学家在进行全视野 exhaustive（穷尽式）搜索时，仅达到73.2%的敏感度。我们在Camelyon16测试集以及一个独立的110张切片数据集上均获得了超过97%的图像级别AUC评分。此外，我们发现Camelyon16训练集中有两张切片被错误地标记为“正常”。本方法有望显著降低转移灶检测中的假阴性率。