CoD-MIL:链式诊断促进多个实例的学习,用于整个幻灯片图像分类

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 多个实例学习 (MIL) 是在数字病理学中分析大整片图像 (WSI) 的关键.
• 现有的MIL方法由于依赖图像数据和固定标签,因此难以泛化和解释.
• 视觉语言模型 (VLMs) 显示出改善MIL性能和可转移性的承诺.

研究的目的:

• 为整个幻灯片图像分类开发一个先进的MIL框架,解决当前方法的局限性.
• 通过结合自然语言处理技术来提高MIL模型的可解释性和通用性.
• 为了提高WSIs中瘤区域定位的准确性.

主要方法:

• 提出了一个新的诊断链提示多个实例学习 (CoD-MIL) 框架.
• 使用链式诊断文本提示符将复杂的WSI诊断过程分解为渐进阶段.
• 引入了以文本为导向的对比性掩盖模块,用于精确定位瘤区域,使用歧视性实例掩盖和正常组织文本指导.

主要成果:

• 在整个幻灯片图像分类任务中,CoD-MIL表现出显著的有效性.
• 在实验中,该框架在三个现实世界亚型数据集上的实验中显示出优于现有方法的优势.
• 文本引导的对比掩盖模块成功提高了瘤区域定位的准确性.

结论:

• 拟议的CoD-MIL框架为数字病理学中的整个幻灯片图像分类提供了一个强大的新方法.
• 整合思维链原则和文本指导提高了MIL模型的诊断能力.
• CoD-MIL提供了一种更易于解释和普遍化的解决方案,用于使用WSIs进行病理诊断.