预测临床终点和视觉变化与质量加权的基于组织的脏组织学特征
Ka Ho Tam1, Maria F Soares2, Jesper Kers3,4,5
1Institute of Biomedical Engineering, University of Oxford, Oxford, United Kingdom.
Frontiers in transplantation
|July 12, 2024
概括
较弱的注释显著改善了数字组织病理学的多实例学习 (MIL),提高了分类脏活检的性能. 这种可扩展的方法通过突出相关组织特征来帮助临床决策.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 医疗图像分析 医学图像分析
背景情况:
- 数字遗传病理学中的数据驱动算法面临来自有限的专家注释和数据集多样性的挑战.
- 多实例学习 (MIL) 解决了整个幻灯片图像 (WSI) 中的注释稀缺问题,但通常表现不佳.
研究的目的:
- 通过结合弱注释来提高MIL在数字病理学中的有效性和可扩展性.
- 为脏活检幻灯片 (PAS和SR) 开发分析框架,以预测临床结果.
主要方法:
- 开发了一个新的框架来细分组织并提取手工制作和深度特征的组合.
- 一个软注意力模型整合了这些特征,用于预测幻灯片级标签,如延迟移植功能 (DGF) 和急性管状损伤 (ATI).
- 引入了组织细分质量指标以减轻细分错误,并使用5倍交叉验证训练了该模型.
主要成果:
- 软注意力模型实现了平均ROC-AUC,超过ResNet50 (),手工制作的功能 (),和基线方法 ().
- 根据细分质量对组织进行权衡,通过进一步提高了性能.
- 该方法通过直观的可视化,精确定位相关组织,证明了其在支持临床决策方面的实用性.
结论:
- 整合弱注释显著提高了数字遗传病理学中的MIL性能,提供了一个可扩展的解决方案.
- 开发的框架和注意力机制为脏活检分类提供了准确的预测.
- 该方法可视化贡献组织区域的能力支持病理学中的临床决策.
