ترجمه فارسی مقاله Histogym: یک محیط یادگیری تقویت برای تجزیه و تحلیل تصویر هیستوپاتولوژیک

چکیده

In pathological research, education, and clinical practice, the decision-making process based on pathological images is critically important. This significance extends to digital pathology image analysis: its adequacy is demonstrated by the extensive information contained within tissue structures, which is essential for accurate cancer classification and grading. Additionally, its necessity is highlighted by the inherent requirement for interpretability in the conclusions generated by algorithms. For humans, determining tumor type and grade typically involves multi-scale analysis, which presents a significant challenge for AI algorithms. Traditional patch-based methods are inadequate for modeling such complex structures, as they fail to capture the intricate, multi-scale information inherent in whole slide images. Consequently, there is a pressing need for advanced AI techniques capable of efficiently and accurately replicating this complex analytical process. To address this issue, we introduce HistoGym, an open-source reinforcement learning environment for histopathological image analysis. Following OpenAI Gym APIs, HistoGym aims to foster whole slide image diagnosis by mimicking the real-life processes of doctors. Leveraging the pyramid feature of WSIs and the OpenSlide API, HistoGym provides a unified framework for various clinical tasks, including tumor detection and classification. We detail the observation, action, and reward specifications tailored for the histopathological image analysis domain and provide an open-source Python-based interface for both clinicians and researchers. To accommodate different clinical demands, we offer various scenarios for different organs and cancers, including both WSI-based and selected region-based scenarios, showcasing several noteworthy results.

چکیده به فارسی (ترجمه ماشینی)

در تحقیقات پاتولوژیک ، آموزش و عمل بالینی ، فرایند تصمیم گیری مبتنی بر تصاویر پاتولوژیک از اهمیت ویژه ای برخوردار است.این اهمیت به تجزیه و تحلیل تصویر آسیب شناسی دیجیتال گسترش می یابد: کفایت آن توسط اطلاعات گسترده موجود در ساختارهای بافتی نشان داده شده است ، که برای طبقه بندی دقیق سرطان و درجه بندی ضروری است.علاوه بر این ، ضرورت آن با نیاز ذاتی برای تفسیر در نتیجه گیری های حاصل از الگوریتم ها برجسته می شود.برای انسان ، تعیین نوع و درجه تومور به طور معمول شامل تجزیه و تحلیل چند مقیاس است ، که یک چالش مهم برای الگوریتم های AI ایجاد می کند.روشهای سنتی مبتنی بر پچ برای مدل سازی چنین ساختارهای پیچیده ناکافی هستند ، زیرا آنها نتوانسته اند اطلاعات پیچیده و چند مقیاس ذاتی در تصاویر کامل اسلاید را ضبط کنند.در نتیجه ، یک نیاز فشرده به تکنیک های پیشرفته AI وجود دارد که قادر به تکرار کارآمد و دقیق این فرآیند تحلیلی پیچیده هستند.برای پرداختن به این موضوع ، ما Histogym ، یک محیط یادگیری تقویت منبع باز را برای تجزیه و تحلیل تصویر هیستوپاتولوژیک معرفی می کنیم.به دنبال API های بدنسازی OpenAi ، Histogym قصد دارد با تقلید از فرآیندهای زندگی واقعی پزشکان ، تشخیص تصویر اسلاید را تقویت کند.Histogym با استفاده از ویژگی هرمی WSIS و API OpenSlide ، یک چارچوب یکپارچه برای کارهای مختلف بالینی ، از جمله تشخیص و طبقه بندی تومور فراهم می کند.ما مشخصات مشاهده ، عمل و پاداش متناسب با حوزه تجزیه و تحلیل تصویر بافت شناسی را شرح می دهیم و یک رابط مبتنی بر پیتون منبع باز برای پزشکان و محققان ارائه می دهیم.برای تأمین خواسته های بالینی مختلف ، ما سناریوهای مختلفی را برای اندام ها و سرطان های مختلف ، از جمله سناریوهای مبتنی بر WSI و منتخب منطقه ارائه می دهیم ، و چندین نتیجه قابل توجه را به نمایش می گذاریم.