HistoKernel:整个幻灯片图像水平最大平均差异 面癌预测建模的核心
Piotr Keller1, Muhammad Dawood1, Brinder Singh Chohan2
1Tissue Image Analytics Centre, University of Warwick, Coventry, CV4 7AL, United Kingdom.
Medical image analysis
|February 12, 2025
概括
新的计算病理学方法HistoKernel通过量化图像补丁之间的分布差异来准确分析整个幻灯片图像 (WSI). 这种方法增强了癌症亚型分类和生存分析,提高了诊断准确度.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 机器学习在医学中的应用
背景情况:
- 整个幻灯片图像 (WSIs) 通常缺乏详细标签,需要对临床任务进行弱监督学习.
- 现有的方法难以捕捉WSIs内的整体分布差异,限制了病态建模.
- 准确的WSI级评分对于癌症分类和生存预测等任务至关重要.
研究的目的:
- 介绍HistoKernel,一个新的WSI级最大平均差异 (MMD) 内核.
- 使用本地特征表示方法量化WSIs之间的分布相似性.
- 启用多样化的WSI级应用程序,并提供补丁级的可解释性.
主要方法:
- 开发了HistoKernel,这是一个WSI级的MMD内核,用于分布式相似性.
- 使用本地特征表示来进行WSI比较.
- 实施了基于扰动的方法,以实现补丁级可解释性.
主要成果:
- 在大型胰腺癌数据集上,HistoKernel与最先进的性能相匹配或超过.
- 在WSI检索,药物敏感性回归,突变分类和生存分析中证明有效.
- 在具有较大的样本大小的多样化任务中实现了高性能.
结论:
- HistoKernel为WSI分析提供了一个理论上有基础的框架.
- 为各种WSI级预测任务开创了基于内核的方法.
- 促进快速原型设计和研究大型,复杂的计算病理学数据集.
