对卵巢癌亚型分类的组织病理学基础模型的综合评估
Jack Breen1, Katie Allen2,3, Kieran Zucker3
1Centre for Computational Imaging and Simulation Technologies in Biomedicine (CISTIB), School of Computing, University of Leeds, Leeds, UK. scjjb@leeds.ac.uk.
NPJ precision oncology
|January 30, 2025
概括
组织病理学基础模型显示了卵巢癌亚型的潜力. 严格的验证确定了H-optimus-0和UNI模型,提高了诊断准确性和效率.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 计算病理学计算病理学
背景情况:
- 基础模型在组织病理学任务中显示出潜力.
- 以前的分析受到任意超参数选择的限制.
- 卵巢癌的形态亚型需要强大的分类方法.
研究的目的:
- 进行最严格的单项任务验证,对卵巢癌亚型的组织病理学基础模型进行验证.
- 为了比较各种基础模型和ImageNet预训练编码器的性能.
- 评估超参数调整对分类性能的影响.
主要方法:
- 使用基于注意力的多实例学习分类器.
- 我们比较了3个 ImageNet 预训练的编码器和14个基础模型.
- 在1864个全幻灯片图像上训练模型,具有持久和外部验证 (跨加拿大研究,海洋挑战).
主要成果:
- H-optimus-0基础模型实现了最高的平衡精度 (89%,97%,74%).
- UNI模型在显著降低计算成本的情况下显示了可比性能.
- 超参数调整在平衡准确度中平均得到了1.9%的改进,其中有许多统计学上显著的收益.
结论:
- 基础模型提高了组织病理学中的分类性能.
- 经过验证的模型显示出临床实用性的潜力,有助于在具有挑战性的情况下.
- 这些模型可以提高癌症诊断的准确性和效率.
