不确定性驱动的混合视图适应性学习,用于完全自动化的子宫乳腺肌肉肉瘤诊断

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 医学图像分析 医学图像分析

背景情况:

• 子宫乳腺肌肉瘤 (ULMS) 是子宫壁的侵袭性平滑肌肉瘤,预后不佳.
• 准确的组织病理整片图像 (WSI) 分类对于ULMS诊断至关重要,但由于瘤异质性,自动化方法是有限的.
• 现有的自动诊断工具在 ULMS 的高隐藏性和多种现象特征上扎.

研究的目的:

• 开发一种新的不确定性驱动的混合视图自适应学习 (UHAL) 框架,以从WSIs中有效和可靠地自动诊断ULMS.
• 通过在细胞层面挖掘关键生物标记物,并将混合视图的冗余性降到最低,捕获独特的ULMS特征.
• 通过一种不确定性歧视机制来提高诊断准确性,该机制将预测的信心系数分配给预测.

主要方法:

• UHAL框架整合了三个模块:以表型驱动的补丁自我优化来选择突出的特征,无监督的跨袋适应性学习来过冗余信息,以及补偿性的内部层面适应性学习来改进瘤特征.
• 使用迪里克莱分布的不确定性歧视机制为预测分配了定量信心系数,利用不确定性来更新功能以提高准确性.
• 该框架处理了全幻灯片图像 (WSIs) 的基因病理图像,以识别和分类子宫乳腺肌肉瘤 (ULMS).

主要成果:

• 拟议的UHAL框架在ULMS数据集上的十种最先进的方法相比显示出更高的性能.
• 对TCGA-Esca,TCGA-肺和脊髓感染数据集的广泛实验证实了UHAL框架的稳定性和通用性.
• 通过有效地挖掘生物标志物并最大限度地减少视图冗余,UHAL框架实现了ULMS WSIs的准确诊断.

结论:

• 不确定性驱动的混合视图自适应学习 (UHAL) 框架提供了一种可靠和准确的方法,用于从整个幻灯片图像 (WSI) 进行子宫乳腺肌肉瘤 (ULMS) 的自动诊断.
• 该框架能够挖掘关键生物标志物并管理特征冗余,这有助于其高诊断性能.
• 在多个数据集中证明的稳定性和通用性突显了UHAL框架在癌症诊断中的潜在临床实用性.