一个基础模型,用于从基因病理图像进行可概括的癌症诊断和生存预测

科学领域:

• 计算病理学计算病理学
• 医疗保健中的人工智能
• 数字病理学数字病理学

背景情况:

• 计算病理学使用整个幻灯片图像 (WSIs) 进行诊断,但数据稀缺和组织学变异限制了当前的AI模型.
• 自主监督学习模型显示出基础病理学模型的前景,因为它们在有限的数据上具有稳健性.

研究的目的:

• 开发B.E.P.H. (基于BEiT的模型 - - 基因病理图像预培训),这是病理学的基础模型.
• 在大量未标记的基因病理图像数据集上利用自我监督学习来创建可概括的表示.

主要方法:

• 利用面具图像建模 (MIM) 在1100万个未标记的基因病理图像上进行预训练.
• 开发了BEPH,一种使用自主监督学习来提取有意义的图像表示的基础模型.
• 调整了预先训练的模型,用于各种下游任务,包括癌症诊断和生存预测.

主要成果:

• BEPH从未标记的基因病理学数据中学习了强大的表示.
• 该模型证明了对各种任务的有效适应,如补丁级癌症诊断,WSI级分类和跨多种癌症亚型的生存预测.
• 实现了增强模型性能和减少对专家注释的依赖.

结论:

• BEPH为计算病理学提供了高效的解决方案,提高了AI模型的性能.
• 基础模型通过减少对广泛专家注释的需求,促进了人工智能的更广泛的临床应用.
• BEPH展示了自我监督学习的潜力,用于开发强大的病理AI模型.