数字病理学是一个新兴领域，主要处理来自患者活检的显微镜图像。由于分辨率很高，这些全幻灯片图像（WSI）中的大多数都很大，通常超过Gb。因此，典型的图像分析方法无法有效地处理它们。

波士顿大学医学院（BUSM）的研究人员看到了这一需求，开发了一种基于表示学习框架的新型人工智能（AI）算法，用于根据切除肿瘤的肺组织图像对肺癌亚型进行分类。

通讯作者Vijaya B.Kolachalma解释说：“我们正在开发基于人工智能的新方法，可以提高评估数字病理学数据的效率。病理学实践正处于一场数字革命之中。正在开发基于计算机的方法来帮助病理学专家。此外，在没有专家的地方，这些方法和技术可以直接帮助诊断。”，博士，FAHA，BUSM医学和计算机科学助理教授。

研究人员开发了一种用于数字病理学的基于图形的视觉转换器，称为图形转换器（GTP），它利用病理图像的图形表示和转换器架构的计算效率对整个幻灯片图像进行分析。

“将计算机科学的最新进展转化为数字病理学并非易事，有必要构建专门解决数字病理学问题的人工智能方法，”通讯作者之一、BUSM医学副教授Jennifer Beane博士解释道。

利用三个公开的国家队列的全张幻灯片图像和临床数据，他们开发了一个模型，可以区分肺腺癌、肺鳞状细胞癌和邻近的非癌组织。通过一系列的研究和敏感性分析，他们发现他们的GTP框架优于当前用于全幻灯片图像分类的最新方法。

他们认为，他们的机器学习框架的意义超越了数字病理学。他们补充道：“对为其他现实世界应用开发计算机视觉方法感兴趣的研究人员也会发现我们的方法很有用。”。

这些发现在线发表在《IEEE医学影像交易》杂志上。