对比的预训练和多个实例的学习来预测瘤微卫星的不稳定性

科学领域:

• 计算病理学计算病理学
• 机器学习在瘤学中的应用
• 数字病理学数字病理学

背景情况:

• 对瘤微卫星稳定性 (MSS) 和不稳定性 (MSI) 的准确分类对于胃肠 (GI) 癌症预后和治疗决策至关重要.
• 整片图像 (WSI) 分析为癌症诊断提供了丰富的信息来源,但需要先进的计算方法来准确解释.

研究的目的:

• 开发和验证一种新的两阶段弱监督的方法,用于使用WSI.WSI在肠道癌症中增强MSI预测.
• 为了利用多个实例学习 (MIL) 和对比集群网络 (CCNet) 的协同作用,改进MSI分类.

主要方法:

• 一个双阶段的弱监督框架,将基于学习的特征提取器与MIL集成在一起,以实现高效的标签.
• 开发一个独特的对比集群网络 (CCNet) 用于MSI预测.
• 使用结直肠癌 (CRC) 和胃腺癌 (STAD) 数据集进行评估,包括转移学习实验.

主要成果:

• 拟议的方法证明了MSI分类准确性的显著改进,优于现有方法.
• 该框架在CRC和STAD数据集中显示出有效性和通用性.
• 转移学习,特别是对STAD数据的预训练和转移到CRC数据的转移,产生了更好的表现.

结论:

• 开发的弱监督的MIL和CCNet框架代表了GI癌症诊断计算病理学的进步.
• 这些发现突出了增强MSI预测的潜力,帮助临床医生制定个性化治疗策略并改善患者的治疗结果.
• 这项研究强调了转移学习在改善组织病理图像诊断精度方面的价值.