在整个幻灯片图像中找到感兴趣的区域,使用多实例学习

科学领域:

• 数字病理学数字病理学
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 整个幻灯片图像 (WSI) 在数字病理学中至关重要,但由于幻灯片级注释,它会给人工智能分析带来挑战.
• 病理诊断和瘤基因突变数据 (例如TCGA) 通常记录在样本或幻灯片层面,而不是层面.
• 这创造了一个双重的挑战:预测癌症表型和将细胞形态与癌症联系起来.

研究的目的:

• 用幻灯片级标签来解决人工智能对WSI分析的挑战.
• 探索弱监督的多个实例学习 (MIL) 癌症表型预测和突变关联.
• 为了研究AI在瘤检测和TP53突变识别在侵袭性乳腺癌和肺状细胞癌中的性能.

主要方法:

• 在整个幻灯片图像 (WSI) 上应用了弱监督的多实例学习 (MIL) 方法.
• 使用了来自癌症基因组图谱 (TCGA) 的数据集,用于侵入性乳腺癌 (TCGA-BRCA) 和肺状细胞癌 (TCGA-LUSC).
• 评估了瘤检测和TP53突变预测,使用各种放大级别的新增剂MIL和注意力MIL架构.

主要成果:

• 一种新的添加剂MIL实现实现了高性能 (AUC 0.96),与参考方法相比.
• 注意:MIL略高于其他方法 (AUC 0.97).
• 不同的人工智能架构在各种放大级别对形态特征表现出不同的敏感性,TP53突变检测在更高的放大度上最敏感.

结论:

• 弱监督的MIL在数字病理学中有效分析整个幻灯片图像 (WSI),即使有幻灯片级注释.
• 人工智能模型可以预测癌症表型,并识别形态-突变关联.
• 这项研究强调了扩大水平在人工智能驱动的病理分析中对分子洞察力的重要性.