基于注意力的多实例学习 (MIL) 与视觉变压器模型的比较:用于检测大鼠肝脏中的组织病理病变的两个弱监督的深度学习 (DL) 算法,以区分正常与异常

科学领域:

• 兽医病理学 兽医病理学
• 计算病理学计算病理学
• 毒理学 毒理学 毒理学

背景情况:

• 组织病理学评估对于调控性毒性研究至关重要.
• 目前的方法可能耗时,影响研究效率.
• 人工智能 (AI) 为简化评估提供了潜在的解决方案.

研究的目的:

• 在老鼠毒性研究中应用弱监督学习来自动检测病变的全幻灯片图像 (WSIs).
• 评估AI在识别基因病变病变方面的效率和准确性.
• 展示AI模型在不同器官中的适应性.

主要方法:

• 收集了来自58项毒性研究的老鼠肝脏部分的WSIs,并进行了他的病理学诊断.
• 利用多个实例学习 (MIL),包括变压器变体,用于病变预测.
• 使用热图叠加用于视觉验证和转移学习以适应模型与脏WSIs.

主要成果:

• 获得了可接受的到优秀的接收器操作特征曲线 (AUROC) 下的区域,用于病变检测的得分.
• 热图证实了AI在识别受损区域方面的准确性.
• 通过转移学习,证明了肝脏WSI模型成功适应脏WSIs.

结论:

• 弱监督学习有效地检测了来自毒性研究的老鼠WSIs中的基因病变病变.
• 人工智能显著提高了组织病理学评估的效率.
• 开发的AI模型显示了多功能性和在毒理病理学中广泛应用的潜力.