MIST:用于基因病学亚型预测的多实例选择性变压器

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
• 机器学习用于医疗保健

背景情况:

• 准确的组织病理学亚型预测对于癌症诊断和理解瘤微环境至关重要.
• 挑战包括实例级别的歧视,高的类内差异,以及在基因病理图像中的异质特征分布.

研究的目的:

• 开发一种新的框架,用于使用微粒度表示学习准确地进行基因病学亚型预测.
• 为了应对实例歧视和特征异质性在图像分析的挑战.

主要方法:

• 提出了多级别选择性转换器 (MIST) 框架,集成多级别学习 (MIL) 和视觉转换器 (ViT).
• 引入了一种选择性自我注意机制,以识别信息实例.
• 开发了用于instance-to-instance和instance-to-bag交互建模的模块,以学习歧视性表示.

主要成果:

• 在五个临床基准上,MIST框架实现了最先进的性能.
• 证明了精确的基因病理学亚型预测,准确度为0.936.
• 展示了框架在处理细粒度医疗图像分析方面的有效性.

结论:

• MIST框架提供了一种强大的方法,用于准确地预测基因病学亚型.
• 突出了MIST在临床应用中的潜力,用于细粒度医学图像分析.
• 提出的选择性自我注意力和交互建模有效地解决了基因病态图像分析中的关键挑战.