NRK-ABMIL:微妙的转移性沉积物检测用于预测乳腺癌中淋巴结转移的整片图像
Usama Sajjad1, Mostafa Rezapour1, Ziyu Su1
1Center for Biomedical Informatics, Wake Forest University School of Medicine, Winston-Salem, NC 27101, USA.
Cancers
|July 14, 2023
概括
一个新的深度学习模型,正常代表键盘设置基于注意力的多实例学习 (NRK-ABMIL),改善了早期的乳腺癌转移在淋巴结的检测. 它提高了对整个幻灯片图像 (WSIs) 上小病变的注意力,优于现有的方法.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能的人工智能
背景情况:
- 乳腺癌中淋巴结转移的早期诊断对于患者的预后至关重要.
- 病理学家可能会错过小的转移性沉积物,需要改进检测方法.
- 多个实例学习 (MIL) 用于在整个幻灯片图像 (WSIs) 上检测瘤,但目前的方法在小病变方面扎.
研究的目的:
- 开发一种改进的基于注意力的多实例学习 (ABMIL) 模型,以准确检测乳腺癌中小淋巴结转移的情况.
- 为了解决现有的ABMIL方法的局限性,由于注意力分配不足,可能会忽视小病变.
主要方法:
- 提出了一个基于ABMIL的新型模型,命名为正常代表键盘ABMIL (NRK-ABMIL).
- 开发了一个正常代表键盘 (NRK) 来捕捉正常补丁嵌入的分布.
- 使用NRK修改了ABMIL注意力机制,以加强对潜在的损伤区域的关注.
主要成果:
- NRK-ABMIL在多个补丁中准确识别小瘤病变方面表现出卓越的性能.
- 该模型还在检测中型和大型瘤病变方面表现出强的结果.
- 在Camelyon16和Camelyon17数据集上进行评估,性能优于现有的最先进的方法.
结论:
- NRK-ABMIL有效地提高了乳腺癌淋巴结中的小转移性病变的检测.
- 拟议的方法在WSIs上的自动瘤检测方面取得了重大进展.
- 这种方法有望改善早期诊断和患者的治疗结果.
