自主监督的深度度学习用于原型的胎盘全幻灯片图像的零射击病变检索
Gaspar Faure1, Dorothée Dal Soglio2, Natalie Patey2
1Department of Computer Engineering, Polytechnique Montréal, 2500 chemin de Polytechnique, Montréal, H3T0A3, Québec, Canada; Sainte-Justine Hospital Research Center, 3175, chemin de la Côte-Sainte-Catherine, Montréal, H3T1C5, Québec, Canada.
Computers in biology and medicine
|July 4, 2025
概括
这项研究引入了一种新的深度度度度学习方法,用于分析胎盘全幻灯片图像 (WSIs). 该方法在低数据场景中有效地检索炎症病变,提高了不良妊娠结果的诊断准确性.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医学图像分析
- 数字病理学数字病理学
背景情况:
- 使用全幻灯片图像 (WSIs) 的胎盘病理分析对于预测不良产后结果至关重要,但由于需要专业技能和有限的注释数据集而受到阻碍.
- 目前的计算病理学模型面临的挑战是由于低数据制度和稀缺的专家注释,将其推广到胎盘组织.
研究的目的:
- 开发一种高效的深度度度学习 (DML) 方法,在低数据环境中检索胎盘WSIs中的炎症病变.
- 通过提出一种基于DML的新方法来解决目前分析胎盘组织的模型的局限性.
主要方法:
- 一个特征提取器在没有标签的情况下通过将自主监督学习框架适应DML问题来训练.
- 炎症病变的原型载体被定义使用一组最小的注释贴片.
- 在未见的WSIs中检索了炎症性病变,通过将补丁与学习的度量空间中的原型向量进行比较,然后进行空间接近精细化.
主要成果:
- 在165个注释的WSI的私有数据集上,DML方法实现了0.978的接收器操作特征曲线 (AUROC) 下的补丁级区域.
- 该方法通过在CAMELYON16数据集上实现0.928的AUROC,以在零射击环境中检索淋巴结转移的方法表现出强大的概括性.
结论:
- 提出的深度度度度学习方法可以有效和准确地检索胎盘WSIs中的炎症病变,即使数据和注释有限.
- 这种方法显示出改善胎盘系统病理评估的巨大潜力,有助于更好地预测不良妊娠结果.
