M4:多代理多门混合专家网络,用于多个实例的学习在他的病理学图像分析

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能
• 数字病理学数字病理学

背景情况:

• 多个实例学习 (MIL) 对于整个幻灯片图像 (WSIs) 在计算病理学中的分析至关重要.
• 当前的MIL方法往往专注于单个任务,限制效率,忽视任务的相互依赖.

研究的目的:

• 开发一个高效的MIL框架,同时预测来自WSIs的多个基因突变.
• 在计算病理学中解决单任务学习的局限性.

主要方法:

• 提出了一个适应的架构:多门混合专家与多代理多个实例学习 (M4).
• 实施了多门混合专家策略,用于同时预测多个基因突变.
• 引入了专家和网关网络的多代理CNN,以捕获WSIs内的补丁互动.

主要成果:

• 在5个TCGA数据集中,M4显示了显著的改进.
• 与最先进的单任务MIL方法相比,实现了更高的性能.
• 成功启用了WSIs多个基因突变的同时预测.

结论:

• 在WSI分析中,M4框架为多任务学习提供了一种高效和有效的方法.
• M4捕捉了任务之间的相关性,优于单一任务的方法.
• 这项工作通过从WSIs同时预测多个生物标志物来推进计算病理学.