一个具有特征聚合的计算效率高的网络,用于 histopathological 图像上的癌症亚型分类

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 人工智能在瘤学中的应用

背景情况:

• 组织病理学全幻灯片图像 (WSI) 对于癌症诊断至关重要,提供详细的组织信息.
• 深度学习 (DL) 有助于WSI分析,但面临着图像大小和复杂性的挑战.
• 现有的多实例学习 (MIL) 方法在伪标签准确性和信息丢失方面存在局限性.

研究的目的:

• 开发一个新的DL框架,用于准确和高效的WSI分类.
• 为了解决传统MIL方法在处理WSI数据方面的局限性.
• 为了提高DL模型在组织病理学中的解释性.

主要方法:

• 一个框架结合了基于轻量级卷积神经网络 (CNN) 的编码器 (CTE) 和基于变压器的特征聚合器 (TFA).
• 一个两阶段的培训策略:CTE预培训和TFA微调以提高效率和准确性.
• 在TFA中的动态自我注意机制用于没有伪标签的功能聚合.

主要成果:

• 与现有的MIL方法相比,提出的方法在三个癌症数据集上实现了更高的分类准确性.
• 该框架通过降低成本和减轻本地信息丢失来证明计算效率.
• 生成的突出性地图突出显示相关区域,使模型决策与临床推理保持一致.

结论:

• 这种新型框架有效地对组织病理学WSIs进行了分类,提高了准确性和效率.
• 动态自我注意机制通过整合本地信息来增强全球代表性.
• 该方法为数字病理学和癌症亚型分类提供了一个有希望的,可解释的工具.