自主交互式学习:在计算病理学中用于分子特征预测的多尺度组织形态学特征的融合和演变
Yang Hu1, Korsuk Sirinukunwattana2, Bin Li2
1Nuffield Department of Medicine, University of Oxford, Oxford, UK; Big Data Institute, Li Ka Shing Centre for Health Information and Discovery, University of Oxford, Oxford, UK.
Medical image analysis
|January 11, 2025
概括
这项研究介绍了Inter-MIL,这是一个用于从组织病理图像中预测癌症分子特征的新框架. 通过优化图像特征提取,Inter-MIL提高了癌症亚型的准确性,特别是在数据有限的情况下.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 精准医学是一门精准的医学.
背景情况:
- 组织病理学图像 (WSI) 包含丰富的信息来预测分子特征.
- 从WSI中提取细粒度分子特征是具有挑战性的,因为尺度变化和缺乏详细的注释.
- 现有的多实例学习 (MIL) 框架经常使用任务无关的补丁编码器,限制性能.
研究的目的:
- 为基于WSI的癌症形态分子亚型开发一种新的MIL框架 (Inter-MIL).
- 为了实现补丁级编码器的任务意识优化,以改善功能提取.
- 为了增强学习的歧视性亚型特征和细粒度的注意力在图像.
主要方法:
- 拟议的Inter-MIL,一个监督较弱的MIL框架,融合了多个尺度的特征.
- 实施了针对补丁级编码器的任务意识优化程序.
- 在代补丁编码器更新中使用伪标签传播策略.
- 将框架应用于卵巢,结直肠,肺癌和乳腺癌亚型化任务.
主要成果:
- 国际MIL在癌症形态分子亚型化方面表现优异,特别是在小型数据集场景 (<100个幻灯片) 中.
- 与任务无关编码器相比,补丁编码器的任务意识优化显著改善了子类型化结果.
- 代优化机制增强了学习的图像特征和注意力图,更好地与专家的解释保持一致.
- 外部验证证实了该框架在分子特征预测方面的稳定性.
结论:
- 国际MIL为基于WSI的癌症形态分子亚型提供了强大的和有效的方法.
- 补丁编码器的任务意识优化对于高质量的亚型和生物标志物发现至关重要.
- 该框架有助于识别可靠的组织病理学生物标志物,并改善精准医学应用.
