摘要

病理图像包含丰富的表型信息，准确的病理图像分析结果可以对个性化癌症治疗提供很好的参考依据。近年来，数字显微镜的快速发展使得组织切片的高分辨率和高速数字化成为可能，而基于机器学习，特别是深度学习的方法已成为病理图像分析的主流方法，相关的研究层出不穷。本文将对现有的应用于病理图像分析的深度学习方法进行梳理，加以分析和讨论，并对其未来的发展进行展望。

分类

应用于病理图像分析的深度学习方法总结如图2，输入为病理图像，使用的模型为深度神经网络。根据对数据标签的要求，我们将模型分成监督学习、弱监督学习、无监督学习、以及迁移学习4组进行讨论，涉及到的神经网络结构包括：A.卷积神经网络，B.循环神经网络，C.全卷积网络，D.自编码器，E.生成对抗网络；涉及到的应用包括：1.针对细胞及细胞核的检测、分割、分类，2.针对腺体、组织、肿瘤的分割，3.针对癌症的检测、分类、评级，4.针对生存分析的预测、预后，5.针对染色的归一化、迁移。

图 应用于病理图像分析的深度学习方法总览