基于交叉注意力的 Saliency 推断用于预测整个幻灯片图像上的癌症转移

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 人工智能在医学中的应用

背景情况:

• 多重实例学习 (MIL) 方法对于在全幻灯片图像 (WSI) 中自动检测瘤至关重要.
• 在小瘤的WSIs中极端的类失衡对现有的MIL算法构成了重大挑战,阻碍了早期癌症检测.
• 目前基于注意力和实例选择的方法在改善小瘤检测方面取得了有限的成功.

研究的目的:

• 开发一种新的MIL方法,CASiiMIL,用于精确检测WSIs中的小瘤,特别是微转移.
• 解决现有方法在处理类失衡和识别微妙的瘤区域而不需要手动注释时的局限性.
• 为了提高MIL算法的灵敏度和通用性,用于早期瘤检测.

主要方法:

• 拟议的基于交叉注意力的突出实例推断MIL (CASiiMIL) 使用一种新的突出性告知注意力机制.
• 引入了负表示学习算法,以改善以突出信息为基础的注意力重量学习.
• 在不依赖注释的情况下,对两个流行的瘤转移检测数据集进行了模型评估.

主要成果:

• 在检测WSIs上的小瘤方面,CASiiMIL显著优于最先进的MIL方法.
• 该模型在分类具有小瘤病变的WSI方面表现出高准确性,包括乳腺癌淋巴结微转移.
• 通过突出信息的注意力权重,通过突出信息的注意力权重实现了优异的交叉中心概括性和解释性.

结论:

• 卡西米尔为WSIs的早期瘤检测提供了强大的解决方案,特别是对于具有最小瘤存在的具有挑战性的病例.
• 该方法在没有注释的情况下工作的能力及其强大的性能为在大规模数据集上训练算法铺平了道路.
• 卡西米尔有望促进早期癌症诊断和改善患者的治疗结果.