隐藏-CON:使用对比的隐藏类检测对整个幻灯片图像进行低监督的肝脏内胆固醇癌亚型分类

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 机器学习用于瘤学.

背景情况:

• 肝脏内胆管癌 (IHCC) 的预后因亚型而异,需要准确的分类.
• 早期IHCC缺乏明显的症状,这使得及时诊断具有挑战性.
• 对于IHCC的千兆像素基因病理学图像的像素级注释是劳动密集型和耗时的.

研究的目的:

• 开发一种弱监督的方法,仅使用图像级标签来对IHCC亚型进行分类.
• 克服手动注释在大规模组织病理学数据集中的局限性.
• 改善治疗计划,降低IHCC患者的死亡率.

主要方法:

• 提出一种弱监督的方法来分类IHCC亚型.
• 引入了"隐藏类"概念,以识别和删除跨子类的共同区域.
• 利用代对比损失和标签光滑来隔离特定亚型的补丁.
• 采用多实例学习 (MIL) 来训练图像级分类模型.

主要成果:

• 拟议的方法显著优于最先进的监管较弱的方法:ABMIL,TransMIL (18%) 和DTFD-MIL (8%).
• 实现了与完全监督的方法可比的分类性能.
• 证明了"隐藏类"方法在提高IHCC分类准确性的有效性.

结论:

• "隐藏类"策略有效地解决了在组织病理学图像分析中的弱标识挑战.
• 开发的弱监督方法提高了IHCC亚型分类的准确性.
• 这种方法为IHCC提供了比传统的注释方法更有效,更准确的替代方案.