弱教師あり自己符号化器におけるニューロン選択を通じたパッチレベル表現型同定（CLIP由来病理埋め込み用）

科学分野:

• 計算病理学
• 医療における人工知能
• デジタル病理学

背景:

• 全スライド画像（WSI）のコンピュータ支援分析は急速に進歩しています。
• マルチモーダル病理学基盤モデルは、WSI分析に新たな可能性をもたらします。

研究 の 目的:

• CLIP由来病理学基盤モデルから分離された表現を抽出するための弱教師ありニューロン選択アプローチを提案すること。
• スパース自己符号化器の解釈可能性を活用して、WSI分析を強化すること。
• 選択されたニューロンを使用して効果的なパッチレベル表現型同定を可能にすること。

主な方法:

• 多重インスタンス学習（MIL）フレームワーク内で、全スライドレベルのラベルを使用した弱教師ありニューロン選択アプローチ。
• 一般的および病理学的画像からの事前学習済み画像埋め込みの調査。
• 分離された表現抽出のためのスパース自己符号化器の利用。

主要な成果:

• 単一の選択されたニューロンが、パッチレベルの表現型同定を効果的に可能にすることを実証しました。
• Camelyon16およびPANDAデータセットで有効性と説明可能性を実証しました。
• 腫瘍パッチ同定のための一般化能力を示しました。

結論:

• 提案された弱教師ありニューロン選択法は、病理学基盤モデルの解釈可能性と有効性を向上させます。
• このアプローチは、デジタル病理学における正確な腫瘍同定と表現型分析を容易にします。
• この方法は、異なるデータセット間で強力な一般化能力を示します。