鼻癌与变压器在整个幻灯片图像中的弱监督分类

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 鼻癌 (NPC) 诊断依赖于对整个幻灯片图像 (WSIs) 的病理检查.
• 在WSIs上进行NPC诊断的传统监督方法是劳动密集型的,并且由于手动区域划分而容易产生偏差.
• 对于NPC,需要自动化,准确和高效的诊断工具.

研究的目的:

• 开发一个弱监督的框架,用于准确的鼻癌 (NPC) 分类,仅使用幻灯片级标签.
• 克服手动划分在传统监督学习中的局限性.
• 评估拟议的WS-T2T-ViT框架的性能和通用性.

主要方法:

• 开发了一个监督较弱的框架,WS-T2T-ViT,利用了Tokens-to-Token视觉转换器架构.
• 该框架包含一个多分辨率金字塔来模拟粗细的病理分析,以及一个多尺度的注意模块来改进特征加权.
• 图像标签是从幻灯片级标签中继承的,可以在没有像素级注释的情况下进行训练.

主要成果:

• 在802名患者的NPC数据集上,WS-T2T-ViT实现了0.989的接收器操作特征曲线 (AUC) 下的高面积,用于NPC分类.
• 在CAMELYON16数据集上的实验证明了WS-T2T-ViT对WSI级别分类的稳定性和通用性.
• 提出的方法有效地学习了不同放大级别的特征,并捕获了本地和全球信息.

结论:

• 拟议的WS-T2T-ViT框架为WSIs的NPC分类提供了一个准确和高效的弱监管方法.
• 这种方法减少了对繁的手工注释的依赖,使WSI分析更容易获得和更少偏见.
• WS-T2T-ViT显示了在数字病理学和癌症诊断中临床应用的巨大潜力.