整个幻灯片图像级别的恶性溢出细胞学的分类,使用集群受约束的注意力多个实例的学习

科学领域:

• 病理学 病理学 病理学
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 肺流的细胞学诊断对于早期肺癌检测至关重要.
• 人工智能 (AI) 旨在提高细胞学分析的准确性和减少其变异性.
• 当前的人工智能方法通常集中在图像补丁上,而不是整个幻灯片图像 (WSIs).

研究的目的:

• 开发一种WSI级别的分类模型,用于转移性肺癌中恶性输液.
• 利用一种质量受控的,全国性的肺液细胞学数据集.
• 为了提高诊断准确度,超越图像补丁级别分析.

主要方法:

• 从肺部液体中编制了576个正常和309个癌症WSI的全国数据集.
• 一个集群受约束的注意力多实例学习 (CLAM) 模型被用于WSI分类.
• 在质量控制数据集上训练和评估了CLAM模型.

主要成果:

• 在CLAM模型中,WSI级别分类的准确度达到97%,AUC为0.97.
• 与图像补丁分类方法相比,这代表了13%的改进.
• CLAM模型显著减少了分析时间和计算资源.

结论:

• 该CLAM模型显示高性能WSI级别的差异化恶性外泄.
• 这项研究使用了大量,经过质量控制的全国性数据集.
• 建议进行外部验证以确认可通用性.