相关实验视频
Updated: Jan 18, 2026
08:26
Author Spotlight: Advancing Personalized Medicine in Ovarian Cancer
Published on: February 23, 2024
2.6K
BPMambaMIL:一种生物启发的原型导向多重实例学习,用于在组织病理学中进行型DX风险评估
Yongxin Guo1, Ziyu Su2, Onur C Koyun1
1Center for Artificial Intelligence Research, Wake Forest University School of Medicine, Winston-Salem, NC, USA.
Computer methods and programs in biomedicine
|September 11, 2025
概括
这项研究介绍了BPMambaMIL,一种新的AI模型,使用病理图像来预测乳腺癌复发风险,为像Oncotype DX这样的基因组测试提供了具有成本效益的替代方案,以获得更好的患者结果.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 基因组测试替代方案
背景情况:
- 激素受体阳性/人表皮生长因子受体2-阴性乳腺癌是常见的.
- 基因组测定像Oncotype DX指导治疗,但昂贵和难以获得.
- 整个幻灯片图像 (WSIs) 很大,并且在计算上具有挑战性.
研究的目的:
- 开发一种具有成本效益的方法,使用H&E染色病理图像预测型DX风险.
- 为此预测任务引入一种新的弱监督学习框架,BPMambaMIL.
- 改善乳腺癌复发风险评估和可访问性.
主要方法:
- 开发了BPMambaMIL,这是一个生物灵感的原型引导模型,集成了Mamba和原型指导.
- 使用H&E染色全幻灯片图像 (WSI) 的弱监督学习.
- 在内部和公共乳腺癌数据集上评估模型性能.
主要成果:
- 在内部数据集上,BPMambaMIL的AUC为0.839,超过了基线MambaMIL的5.61%.
- 在识别高风险得分范围方面表现强 (准确率:0.714).
- 在公共数据集上展示了型DX得分和二进制瘤分类的概括性.
结论:
- 从病理图像中,BPMambaMIL可以准确预测乳腺癌复发风险.
- 该模型为昂贵的基因组测试提供了经济有效的替代方案.
- 这种方法可以改善临床决策和患者的治疗结果.
