基于变压器的弱监督学习全片肺癌图像分类

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 用于医学成像的深度学习

背景情况:

• 全幻灯片图像 (WSIs) 对于肺癌诊断至关重要.
• 手动像素对WSIs的注释是劳动密集型的,容易变化.
• 弱监督的学习提供了一个有希望的替代方案来克服注释限制.

研究的目的:

• 开发一种有效的弱监督学习框架,用于组织病理性肺癌诊断.
• 为应对大规模WSI分析和注释变化的挑战.
• 为了提高肺癌亚型分类的准确性和效率.

主要方法:

• 提出了一个基于变压器的两阶段弱监督学习框架:简单的混合复杂视觉变压器 (SSRViT).
• 引入了Shuffle-Remix视觉变压器 (SRViT),用于歧视性令牌检索和特征提取.
• 使用简单的基于变压器的分类器 (SViT) 用于使用聚合的WSI特征进行幻灯片级预测.

主要成果:

• 在区分腺癌,肺硬化肺细胞瘤和正常肺组织方面,SSRViT取得了高性能.
• 与最先进的方法相比,表现出显著的改进.
• 获得了96.9%的精度和99.6%的曲线下面积 (AUC).

结论:

• 拟议的SSRViT框架有效地利用了对组织病理性肺癌诊断的弱标签.
• SSRViT提供了一个强大而准确的解决方案,用于从WSIs分类肺癌亚型.
• 这种方法有可能简化诊断工作流程并减少观察者之间的变化.