MAMILNet:推进精确瘤学,使用多尺度的注意力多实例学习来分析整个幻灯片图像
Qinqing Wang1, Qiu Bi2, Linhao Qu3
1Department of Pathology, The First People's Hospital of Yunnan Province, The Affiliated Hospital of Kunming University of Science and Technology, Kunming, Yunnan, China.
Frontiers in oncology
|May 15, 2024
概括
MAMILNet是一个新的深度学习框架,改进了用于癌症检测和治疗预测的整个幻灯片图像分析. 这种多层次的注意力多实例学习模型提高了概括性,并减少了病理学家的工作量.
科学领域:
- 数字病理学数字病理学
- 在瘤学中使用人工智能
- 对于医学成像的深度学习
背景情况:
- 使用深度学习的全幻灯片图像 (WSI) 分析在概括性,注释和多放大集成方面面临挑战.
- 目前的方法需要劳动密集的补丁级注释,并与各种癌症类型作斗争.
研究的目的:
- 引入MAMILNet,一个用于WSI分析的多层次注意力多实例学习框架.
- 为了克服模型通用性的局限性,减少注释负担,并集成多放大数据.
主要方法:
- MAMILNet将整个幻灯片视为"袋"和补丁视为"实例",利用注意力机制来提高概括性.
- 一个多尺度策略汇总了跨放大度的预测,以提高准确性.
- 该框架消除了详细的补丁级标签的需要.
主要成果:
- 在1171个病例和各种癌症类型中,MAMILNet表现出强的表现.
- 达到0.8872的AUC和0.8760的准确性用于乳腺癌瘤检测.
- 获得了0.9551的AUC和肺癌类型测定0.9095的精度和0.7358的AUC/0.7341的精度用于卵巢癌治疗响应预测.
结论:
- MAMILNet显示了在瘤学中推进精准医学和个性化治疗规划的巨大潜力.
- 该框架有效地解决了WSI分析中的关键挑战,有望改善患者护理.
- 在乳腺癌,肺癌和卵巢癌中成功应用突出了其广泛的实用性.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
06:05Author Spotlight: Multiplex Immunofluorescence Combined with Spatial Image Analysis for the Clinical and Biological Assessment of the Tumor Microenvironment
Published on: June 2, 2023
7.5K