使用数字病理学和深度学习进行儿科脑瘤分类:对多中心瑞典队列的SOTA方法的评估
Iulian Emil Tampu1,2, Per Nyman2,3, Christoforos Spyretos1,2
1Department of Biomedical Engineering, Linköping University, Linköping, Sweden.
Brain pathology (Zurich, Switzerland)
|July 1, 2025
概括
使用弱监督多个实例学习 (MIL) 的计算病理学有效地从整个幻灯片图像中对儿科脑瘤进行分类. 这种方法有望改善对这些罕见的儿童癌症的诊断和理解.
科学领域:
- 计算病理学计算病理学
- 数字组织病理学 数字组织病理学
- 儿科瘤学 儿科瘤学
背景情况:
- 儿科大脑瘤是最常见的儿童固体瘤.
- 有限的大型组织病理学数据集阻碍了计算病理学在这个领域的应用.
- 需要弱监督的方法来克服数据稀缺.
研究的目的:
- 实施和评估儿童脑瘤分类的弱监督多实例学习 (MIL) 方法.
- 在整个幻灯片图像 (WSIs) 上使用基础模型的补丁功能.
- 评估模型在多中心瑞典队列中的性能和通用性.
主要方法:
- 两个MIL方法 (ABMIL,CLAM) 应用于ResNet50,UNI和CONCH模型中的补丁特征.
- 分类任务包括基于层次分类的瘤类别,家族和类型.
- 通过对来自两个中心的数据进行训练和对其他四个中心进行测试,测试了模型概括.
主要成果:
- 使用UNI特征和ABMIL实现了最高的性能,分别为类别,家族和类型的马修相关系数为0.76,0.63和0.60.
- 在一般化测试中,UNI和CONCH的功能表现优于ResNet50.
- 在测试未见的数据时,功能提取器的性能下降一致.
结论:
- 最先进的计算病理学方法显示了在各种等级层面诊断儿科脑瘤的潜力.
- 开发的模型在一个多中心的国家数据集上显示出相当的概括性.
- 注意映射为分类模型提供了可解释性.
