从全幻灯片图像进行的前列腺癌格里森分级的多个实例学习

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
• 组织病理学图像分析分析.

背景情况:

• 前列腺癌的诊断依赖于格里森分级,但手动方法是可变的和耗时的.
• 深度学习提供解决方案,但需要广泛的像素级注释.
• 现有的监督较弱的方法难以整合多放大组织分析.

研究的目的:

• 开发一种新的深度学习框架,用于自动化的格里森评分.
• 通过整合多尺度空间和频域特征来克服现有模型的局限性.
• 为了使准确的分级只使用幻灯片级标签,提高诊断的一致性.

主要方法:

• 提出了一个多尺度的里埃变压器多实例学习 (MFMIL) 模型.
• 从细胞和腺体层面的多尺度全幻灯片图像 (WSIs) 中提取病理特征.
• 采用福里埃转换来增强特征表示和多尺度交叉注意力机制,以整合信息跨增大.

主要成果:

• 在两个大型数据集 (北京联合医学院医院和PANDA) 上,MFMIL 实现了高精度.
• 与最先进的基线相比,表现优越,特别是在识别侵袭性前列腺癌病例 (五级组) 中.
• 仅使用幻灯片级标签,达到87.88% (PUMCH) 和85.02% (PANDA) 的AUC.

结论:

• 该MFMIL模型显示高的诊断准确性和临床适用性,用于格里森分级.
• 在日常病理学工作流程中,为改善前列腺癌诊断提供了一个有前途的工具.
• 提高了诊断的一致性和效率在他的病理学评估.