AdvMIL:对整个幻灯片图像的生存分析的对抗式多实例学习

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
• 深度学习用于生存分析.

背景情况:

• 整个幻灯片图像 (WSIs) 的生存分析对于患者的预后至关重要.
• 现有的WSI低监督深度学习模型受到经典的生存分析规则的限制,并且需要在小型标记数据集上完全监督学习.
• 目前的模型提供了对事件发生时间的点估计,并努力利用未标记的数据.

研究的目的:

• 为WSI生存分析提出一个新的对抗式多实例学习 (AdvMIL) 框架.
• 为了提高生存分布估计,并使半监督学习能力.
• 提高生存分析模型对图像噪声和数据腐败的稳定性.

主要方法:

• 开发了一个对抗式多个实例学习 (AdvMIL) 框架,将对抗式时间到事件建模与多个实例学习 (MIL) 集成在一起.
• 设计AdvMIL作为一个插入式模块,用于升级现有的基于MIL的端到端方法.
• 利用广泛的实验来评估框架的性能和能力.

主要成果:

• 在低计算成本下,AdvMIL显著提高了主流WSI生存分析方法的性能.
• 该框架有效地允许通过半监督学习利用未标记的数据.
• AdvMIL 证明了对补丁封闭和常见图像噪音的增强模型稳定性.

结论:

• 拟议的AdvMIL框架为计算病理学中的生存分析提供了一个新的对抗性MIL范式.
• AdvMIL促进了对WSIs的更准确,更强大和更有效的数据生存分析模型的开发.
• 这一框架有可能推进数字病理学的预后估计和临床决策.