Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Huachansu triggers mitochondrial apoptosis and ER stress to inhibit hepatocellular carcinoma progression.

Saudi pharmaceutical journal : SPJ : the official publication of the Saudi Pharmaceutical Society·2026
Same author

Topology-Driven Activation of the GLP-1 Receptor Promotes Adipose Tissue Browning.

Protein & cell·2026
Same author

RND3 Enhances Cardiac Glucose Metabolism Through Inhibiting ACAT1-Dependent PDHA1 Acetylation and Protects Against Ischemia-Reperfusion Injury.

Circulation·2026
Same author

Dual-Stimulus Chiroptical Switch of Tetrastable [3]Rotaxanes.

Organic letters·2026
Same author

Unveiling medication patterns in traditional Chinese medicine for the prevention of colorectal cancer recurrence: from potential combinations to validation of components and targets.

Chinese medicine·2026
Same author

Drug-Coated Balloons Versus Drug-Eluting Stents for Patients With Long De Novo Coronary Artery Lesions: Insights From the REC-CAGEFREE I Trial.

Catheterization and cardiovascular interventions : official journal of the Society for Cardiac Angiography & Interventions·2026

相关实验视频

Updated: Jun 7, 2025

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

369

基于转换器的多个实例学习,以定位编码为指导,用于整体幻灯片图像分类的整体病理学.

Jun Shi1, Dongdong Sun2, Kun Wu3

  • 1School of Software, Hefei University of Technology, Hefei, 230601, Anhui Province, China.

Computer methods and programs in biomedicine
|November 16, 2024
PubMed
概括

本研究引入了一种基于转换器的多实例学习 (PEGTB-MIL) 方法,用于整张幻灯片图像的分类. PEGTB-MIL通过将空间信息纳入补丁特征来增强病理诊断,提高癌症亚型和基因突变预测的准确性.

关键词:
癌症亚型的分类数字病理学数字病理学基因突变预测和预测多个实例的学习是多个实例的学习.位置编码 位置编码整个幻灯片图像的图像.

更多相关视频

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.7K
Automated Slide Scanning and Segmentation in Fluorescently-labeled Tissues Using a Widefield High-content Analysis System
09:33

Automated Slide Scanning and Segmentation in Fluorescently-labeled Tissues Using a Widefield High-content Analysis System

Published on: May 3, 2018

8.1K

相关实验视频

Last Updated: Jun 7, 2025

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

369
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
04:23

A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images

Published on: April 21, 2023

1.7K
Automated Slide Scanning and Segmentation in Fluorescently-labeled Tissues Using a Widefield High-content Analysis System
09:33

Automated Slide Scanning and Segmentation in Fluorescently-labeled Tissues Using a Widefield High-content Analysis System

Published on: May 3, 2018

8.1K

科学领域:

  • 计算病理学计算病理学
  • 数字病理学数字病理学
  • 机器学习在医疗保健中的应用

背景情况:

  • 全幻灯片图像 (WSI) 分类对于计算机辅助的病理诊断至关重要.
  • 弱监督的方法,特别是多重实例学习 (MIL),由于注释成本高,引起了人们的注意.
  • 现有的MIL方法往往忽视图像补丁之间的空间关系,可能会限制特征区分能力.

研究的目的:

  • 提出一种基于转换器的多实例学习 (PEGTB-MIL) 的新型位置编码导向转换器方法,用于组织病理学WSI分类.
  • 将补丁的空间定位属性编码为语义特征,以提高WSI分类性能.
  • 通过整合空间和语义信息来探索补丁之间的相关性.

主要方法:

  • 从WSI补丁中提取深度特征,并使用位置编码器编码它们的2D空间信息.
  • 将语义特征与空间嵌入结合起来.
  • 应用多头自我注意力 (MHSA) 来分析上下文和空间依赖性,并通过辅助重建任务来增强空间语义一致性.

主要成果:

  • 在公共TCGA数据集 (TCGA-LUNG,TCGA-BRCA) 和内部临床数据集 (USTC-EGFR,USTC-GIST) 上验证了PEGTB-MIL方法.
  • 在癌症亚型和基因突变状态预测方面表现出有效性.
  • 与最先进的方法相比,实现了优越的性能,AUC为97.13±0.34%,86.74±2.64%,83.25±1.65%和72.52±1.63%在各自的数据集上.

结论:

  • PEGTB-MIL有效地利用位置编码来指导和增强MIL,以改善WSI分类.
  • 辅助重建模块成功地保持了补丁特征的空间语义一致性.
  • 这项研究强调了位置信息在疾病诊断中的重要性,提供了一个有前途的研究方向.