一个病理注意力多级学习框架,用于对结直肠病变的多式分类
Fanglei Fu1, Xuemei Zhang2, Zhaoxuan Wang3
1Department of Life and Health, Shenzhen International Graduate School, Tsinghua University, Shenzhen, Guangdong, China.
Frontiers in pharmacology
|June 23, 2025
概括
这项研究介绍了PAT-MIL,这是一种用于分类结直肠癌全幻灯片图像 (WSIs) 的新型深度学习框架. 通过将视觉特征与病理知识相结合,PAT-MIL提高了诊断准确性,优于现有的方法.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 结肠直肠癌的诊断依赖于对整个幻灯片图像 (WSIs) 的准确病理评估.
- 深度学习显示出潜力,但由于染色变异性和组织异质性,与多式联络诊断过程和泛化扎.
- 现有的监督较弱的方法缺乏整合视觉特征和病理知识.
研究的目的:
- 开发一个多式模式的弱监督学习框架,用于五类WSI分类结直肠癌.
- 通过将视觉分析与病理学知识相结合,解决当前方法的局限性.
- 改进跨不同数据集的模型概括性,减轻染色变异性.
主要方法:
- 提出了PAT-MIL (病理注意力-MIL),一种多式联通式弱监督学习框架.
- 集成的动态注意力机制与专家定义的文本原型用于语义指导.
- 采用了适应性原型分布的改进策略,以及优化视觉聚类和语义对齐的损失平衡方法.
主要成果:
- 在内部五类数据集上获得了86.45%的准确性 (AUC = 0.9624),超过了ABMIL和DSMIL.
- 在外部数据集CRS-2024和UniToPatho上分别达到95.78%和84.09%的准确性.
- 在内部和外部验证集上,在基线方法上表现出优越的性能.
结论:
- PAT-MIL有效地减轻了染色变异性,并增强了跨中心概括.
- 该框架实现了强大的结直肠病变分类,没有像素级注释.
- 这项工作通过结合视觉和文本数据来推进多式联络病理图像分析.
