一个敏捷的知识调整框架,用于稀缺注释的组织病理学亚型分类

科学领域:

• 计算病理学
• 医学中的人工智能
• 数字组织病理学

背景情况:

• 人工智能 (AI) 有助于病理学家在精准医学的组织病理学亚型诊断.
• 目前的人工智能模型通常需要广泛的注释,并与适应性特征识别和定量知识表示作斗争.
• 现有的方法代表知识质量 (0或1),缺乏细粒度的诊断洞察力.

研究的目的:

• 开发一种新型的人工智能模型,即PAKT (即时意识知识调整),用于准确的细胞病理学亚型分类.
• 为了实现适应性特征生成和量化知识表示,并提供少量注释.
• 改进计算病理学的诊断过程.

主要方法:

• PAKT使用一个即时感知模块进行自适应的多尺度组织学概率预测.
• 预先训练的编码器利用视觉提示来显式提取特征,减少注释依赖.
• 一个具有可训练重量矩阵的知识调整模块在定量上代表了诊断知识.

主要成果:

• PAKT在亚型诊断方面表现优于最先进的方法,平均改善率超过10%.
• 对公共和内部数据集的实验验证实了PAKT的有效性和稳定性.
• 在不影响性能的情况下,该模型显著降低了复杂性.

结论:

• 通过人工智能,PAKT为组织病理学亚型分类提供了有效的解决方案.
• 该模型能够自适应地生成特征并定量地表示知识,从而解决现有方法的局限性.
• 通过提高诊断准确性和计算病理学的效率,PAKT促进了精准医学.