在自动格里森分级和评分中,针对混合MIL的增强分层注意力机制
Meili Ren1,2, Mengxing Huang3, Yu Zhang3
1Hainan Provincial Key Laboratory of Big Data and Smart Service, Hainan University, Haikou, 570228, China. renml@sxufe.edu.cn.
Scientific reports
|May 9, 2025
概括
这项研究引入了前列腺癌的先进层次注意力机制. 该模型有效地集成了幻灯片级和实例级标签,提高了组织学图像分析中的诊断准确性.
科学领域:
- 数字病理学和计算成像技术
- 机器学习在医学诊断中的应用
背景情况:
- 准确的组织图像分析对于疾病诊断至关重要,特别是在前列腺癌 Gleason分级.
- 目前用于大型数据集的注释方法资源密集,并且通常提供有限的标签细分度 (幻灯片级或实例级).
研究的目的:
- 在混合多实例学习 (MIL) 模型中开发一个增强的层次注意力机制.
- 为了有效地整合幻灯片级和实例级标签,以改进格里森分级.
- 提高前列腺癌组织学中的标签利用效率和诊断性能.
主要方法:
- 提出了一个完善的分层注意力机制,集成到混合多实例学习 (MIL) 框架中.
- 该机制动态地抑制了杂的实例级标签,并放大了歧视性特征.
- 协同集成的全球幻灯片级上下文与本地超像素模式进行分析.
主要成果:
- 在格里森评分中取得了最先进的表现.
- 在SICAPv2数据集上表现出卓越的性能,AUC得分为0.9597.
- 在TMAs数据集上获得0.8889的AUC得分.
结论:
- 建议的层次关注机制在混合MIL模型中显著提高了标签利用效率.
- 该模型推进了前列腺癌自动格莱森分级的最新技术.
- 突出了MIL中对复杂的医学图像分析任务的层次关注的潜力.
