将知识概念与整个幻灯片图像对齐,以便精确地分析病理学图像
Weiqin Zhao1, Ziyu Guo1, Yinshuang Fan1
1School of Computing and Data Science, The University of Hong Kong, Hong Kong SAR, China.
NPJ digital medicine
|December 31, 2024
概括
本研究介绍了ConcepPath,这是一种通过将人类专家知识与机器学习相结合来分析整个幻灯片图像 (WSIs) 的新框架. ConcepPath通过将学习模式与专家概念相结合来提高诊断准确度,从而增强了他的病理学分析.
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:
- 整个幻灯片图像 (WSIs) 分析是复杂的,因为大尺寸和有限的注释,经常被视为多个实例学习 (MIL) 问题.
- 现有的MIL方法主要是从培训数据中学习,忽视了人类专家知识在临床推理中的关键作用.
研究的目的:
- 介绍ConcepPath,一个新的基于知识概念的MIL框架.
- 在WSI分析中弥合数据驱动学习和人类专家推理之间的差距.
- 通过结合语言知识概念来提高计算病理学的准确性和可解释性.
主要方法:
- ConcepPath使用GPT-4从医学文献中提取疾病特定的专家概念.
- 它将这些提取的概念与可学习的概念相结合,用于全面的知识提取.
- WSIs与语言知识概念保持一致,使用病理学视觉语言模型.
主要成果:
- 在肺癌亚型化方面,ConcepPath显著超过了最先进的方法.
- 它在乳腺癌HER2评分方面表现出卓越的表现.
- 该框架在胃癌免疫疗法敏感亚型化方面取得了高准确性.
结论:
- 基于知识概念的MIL框架,如ConcepPath,可以有效地将人类专家知识整合到WSI分析中.
- 将专家的概念与已学到的特征相结合,可以提高诊断性能.
- 通过利用数据和人类专业知识,ConcepPath为推进计算病理学提供了一个有前途的方向.
