学习如何检测:一种深度强化学习方法,用于全幻灯片黑色素瘤组织病理学图像
Tingting Zheng1, Weixing Chen2, Shuqin Li1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.
概括
这项研究介绍了FastMDP-RL,这是一个深度强化学习框架,用于从组织病理图像中更快,更准确地检测黑色素瘤. 它通过减少不相关的补丁,高效地处理整个幻灯片图像,帮助早期癌症诊断.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医学图像分析
- 人工智能在瘤学中的应用
背景情况:
- 皮肤黑色素瘤是一种危险的癌症,需要准确的诊断.
- 组织病理学图像对于黑色素瘤检测至关重要,通常使用深度神经网络 (DNN) 进行分析.
- 整个幻灯片图像 (WSIs) 被分解成分析补丁,失去上下文信息并增加计算负载.
研究的目的:
- 开发一个高效,弱监督的深度强化学习框架 (FastMDP-RL) 用于黑色素瘤组织病理学图像分析.
- 通过减少无关图像补丁来加快模型推断和提高诊断准确性.
- 模仿皮肤病理学家的临床决策,以进行增强的WSI分析.
主要方法:
- 拟议的FastMDP-RL框架整合了两个基于DNN的代理:一个搜索代理 (SeAgent) 和一个决策代理 (DeAgent).
- SeAgent根据图像特征导航WSIs,而DeAgent提供补丁标签概率.
- 利用多实例学习 (MIL) 与教师指导模型 (MILTG) 进行代理奖励和指导.
主要成果:
- 在两个黑色素瘤数据集 (TCIA-CM和MELSC) 上,FastMDP-RL证明了加速推断和准确的WSI预测.
- 该框架在不需要像素级注释的情况下实现了高精度.
- 该研究提供了对设计代理,状态/奖励函数和特征提取器的洞察力,用于WSI分析.
结论:
- 快速MDP-RL提供了一种计算效率高,准确的方法,用于使用基因病理图像进行黑色素瘤诊断.
- 该框架的监督性较弱和强化学习策略有效地处理大型WSIs.
- 这项研究为开发皮肤病理学AI驱动工具提供了宝贵的见解.
