动态超图表示用于骨转移分析的骨转移分析

科学领域:

• 计算病理学计算病理学
• 瘤学中的深度学习
• 生物医学图像分析

背景情况:

• 骨转移分析对于患者的治疗结果和治疗至关重要.
• 目前的方法与复杂的组织相互作用和高级生物关联作斗争.
• 整个幻灯片图像 (WSIs) 提供了详细的病理数据,但需要先进的分析工具.

研究的目的:

• 开发一种深度学习模型,能够分析骨转移中的复杂多变量相互作用.
• 克服传统方法的局限性,例如多实例学习 (MIL) 和图形神经网络 (GNN).
• 为了提高预测原发性骨癌起源和亚型的准确性.

主要方法:

• 引入动态超图神经网络 (DyHG),利用超边缘连接多个节点.
• 采用非线性转换用于可学习的超图结构.
• 使用Gumbel-Softmax采样来优化补丁分布,并使用MIL聚合器进行图形级嵌入.

主要成果:

• 在骨癌分类的两个大规模数据集上,DyHG表现出卓越的性能.
• 该模型的准确性高达1.28%,超过了最先进的基线.
• 实验结果验证了DyHG模拟复杂生物相互作用的能力.

结论:

• 拟议的DyHG为骨转移分析中的辅助诊断信息提供了一个强大的工具.
• DyHG显示出在病理学中临床应用的巨大潜力.
• 这种方法在癌症亚型和起源预测方面推进了深度学习应用.