哈米尔:分层注意力多实例学习,用于无标签的结肠直肠癌类型

科学领域:

• 在瘤学瘤学.
• 生物医学成像技术 生物医学成像技术
• 机器学习 机器学习

背景情况:

• 大肠直肠癌 (CRC) 是一种主要的胃肠道恶性瘤,需要先进的诊断工具.
• 目前用于CRC诊断的病理成像是耗时的,需要专家的注释.
• 分析瘤微环境对于理解CRC进展至关重要.

研究的目的:

• 开发一种使用分层注意力多实例学习 (HAMIL) 进行结直肠癌类型的无标签方法.
• 将光学时间延伸 (OTS) 成像与微流体细胞聚焦集成为高通量细胞图像采集.
• 为方法验证构建一个高通量CRC类型化数据集.

主要方法:

• 开发使用光学时间延伸 (OTS) 成像和微流体细胞聚焦的高通量细胞图像采集系统.
• 构建一个CRC类型化数据集,包括来自10个临床样本的363,931个细胞图像.
• 实施HAMIL,为单细胞分析提供实例关注,为人口层面的特征提供袋子关注.

主要成果:

• 在CRC打字中,HAMIL方法获得了86.30%的F1得分.
• 哈米尔的表现优于其他八种先进的多阶段学习 (MIL) 方法.
• 该模型有效地捕获了瘤异质性和微环境特征.

结论:

• 汉密提供了一个有效的,无标签的临床CRC类型化方法.
• 整合OTS成像和HAMIL使细胞群的有效分析成为可能.
• 这项研究为胃肠道瘤学中高通量分析建立了新的途径.