構造化されたプロトタイプベースのマルチインスタンス学習による異種組織病理の一般化

科学分野:

• 計算病理学
• 腫瘍学における人工知能
• デジタル病理学

背景:

• 全スライド画像（WSI）からの正確な癌診断は、限られたアノテーション、複雑な腫瘍構造、およびドメインシフトによって妨げられます。
• 既存のマルチインスタンス学習（MIL）方法は、計算病理学における一般化と解釈可能性に苦労しています。

研究 の 目的:

• StructMIL、WSIからの堅牢で解釈可能な癌検出およびグレーディングのための新しいフレームワークを導入すること。
• 計算病理学モデルの精度、一般化、および解釈可能性を向上させること。

主な方法:

• 構造認識型、プロトタイプ駆動型MILフレームワーク（StructMIL）を開発しました。
• グラフベースのトポロジー的先験知識と組織学的コンテキストを統合しました。
• 安定した予測のためにプロトタイプ強化プーリングを採用しました。
• 対照アライメント、敵対的混乱、および一貫性正則化を含むドメイン一般化戦略を実装しました。

主要な成果:

• StructMILは、Camelyon16（乳癌転移検出）およびPANDA（前立腺癌Gleasonグレーディング）で最先端のパフォーマンスを達成しました。
• Camelyon16でセンター間AUCを+3.2%向上させました（AUC 0.967）。
• prior MILモデルと比較して、PANDAでセンター間スキャナーのGleasonグレーディングの堅牢性を+7.4%Cohen's Kappa向上させました。
• 意味のある構造を強調する解釈可能なプロトタイプベースの属性マップを生成しました。

結論:

• StructMILは、精度、解釈可能性、および一般化を向上させることにより、マルチセンター計算病理学ワークフローの実用的なソリューションを提供します。
• このフレームワークは、スキャナーや機関を超えたドメインシフトに対する堅牢性の顕著な改善を示しています。
• StructMILは、癌の診断とグレーディングのための信頼性の高い解釈可能な洞察を提供します。