基于幻灯片的图形协作培训对组织病理学全幻灯片图像分析

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 机器学习在瘤学中

背景情况:

• 整个幻灯片图像 (WSIs) 的病理特征对于癌症诊断至关重要.
• 目前的WSI分析往往忽略了幻灯片间的相关性,错过了癌症发展过程中的重要信息.
• 瘤发育涉及连续的组织学,形态学和遗传变化,跨越不同阶段和患者.

研究的目的:

• 引入一个新的计算病理管道,SlideGCD,用于增强WSI表示学习.
• 将幻灯片间的相关性纳入WSI分析,以提高诊断准确度.
• 将SlideGCD适应现有的多阶段学习 (MIL) 框架.

主要方法:

• 提出了一个名为SlideGCD的通用WSI分析管道.
• 将癌症发展的先前知识整合到一个端到端的工作流程中.
• 利用基于幻灯片的图表来引导传递信息和精细化幻灯片表示.
• 将SlideGCD调整为8个最先进的MIL框架.

主要成果:

• 证明了SlideGCD在4个不同任务中的有效性和稳定性:癌症亚型,分期,生存预测和基因突变预测.
• 通过结合幻灯片间的相关性,验证了WSI分析的改进.
• 展示了管道与各种MIL骨干的适应性.

结论:

• 通过有效地建模幻灯片之间的关系,SlideGCD在WSI分析中取得了重大进展.
• 该管道提高了计算病理学任务现有的MIL框架的性能.
• 通过幻灯片间的相关性,将癌症发展知识纳入 WSI 的表征学习和诊断指导,改善了 WSI 的表征学习和诊断指导.