NMGrad:通过弱监督的深度学习来推进细胞病变性膀癌分级.
Saul Fuster1, Umay Kiraz2,3, Trygve Eftestøl1
1Department of Electrical Engineering and Computer Science, University of Stavanger, 4021 Stavanger, Norway.
Bioengineering (Basel, Switzerland)
|September 27, 2024
概括
这项研究引入了一种自动化管道,用于分级泌尿道癌,这是最常见的膀癌. 该模型准确地从组织学幻灯片预测癌症等级,改进了现有的方法.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 机器学习 机器学习
背景情况:
- 尿癌是最常见的膀癌,复发率高,相关成本高.
- 准确的分类对于风险分层至关重要,但受到病理学家变化的影响.
- 医疗图像中缺乏注释,妨碍了深度学习模型的训练,以进行膀癌分级.
研究的目的:
- 开发和评估一个自动化管道用于膀癌分级使用组织学幻灯片.
- 解决分级不一致的挑战,以及在深度学习中需要注释数据的需求.
主要方法:
- 开发了一条管道,涉及多个放大级别的尿组织取.
- 卷积神经网络被用于从组织中提取特征.
- 用注意力的嵌套多实例学习方法用于幻灯片级分数预测,并结合了恶性瘤级别区分的片起源.
主要成果:
- 该模型获得了0.85的F1得分,超过了之前的先进方法.
- 区域层面的关注分数与经过验证的高档区域相关,提供了模型可解释性.
- 临床评估证实了该模型的持续优异性能.
结论:
- 拟议的管道为自动化膀癌分级从组织学幻灯片提供了强大的和可解释的解决方案.
- 这种方法可以帮助克服病理学家的变异性,并改善尿癌患者的风险分层.
- 该模型的性能表明,在数字病理学工作流程中临床应用的巨大潜力.


