一种专家混合 (MoE) 模型,以改善基于人工智能的计算病理预测性能,在可变的图像模糊水平下
Yujie Xiang1, Bojing Liu1, Mattias Rantalainen2
1Department of Medical Epidemiology and Biostatistics, Karolinska Institutet, Stockholm, Sweden.
BMC medical imaging
|October 14, 2025
概括
一种新的专家组合 (MoE) 策略通过减轻整个幻灯片图像 (WSIs) 的模糊性来增强AI病理模型. 这种方法可以提高分类和标记器预测的准确性,提高研究和临床使用的可靠性.
科学领域:
- 数字病理学数字病理学
- 计算机成像成像技术
- 医学中的人工智能
背景情况:
- 人工智能模型用于组织病理学全幻灯片图像 (WSI) 分析很普遍.
- 图像质量,特别是WSIs中不清晰的区域,显著影响AI模型性能.
- 调查模糊对WSI分析深度学习模型的影响至关重要.
研究的目的:
- 调查模糊对WSI分析深度学习模型的影响.
- 提出和评估专家组合 (MoE) 策略,以减轻模糊对分类性能的影响.
- 提高AI模型对WSIs图像质量变化的稳定性.
主要方法:
- 使用了从2093名乳腺癌患者的血素和素 (H&E) 染色的WSIs.
- 组织学等级 (1和3) 的基准分类和IHC标志物的预测 (ER,PR,HER2).
- 在CNN (CNN_CLAM) 和Vision Transformer (UNI_CLAM) 架构上评估了MoE策略,对具有不同高斯模糊级别的数据培训专家模型.
主要成果:
- 基线模型的性能随着模糊度的增加而下降.
- 在模糊数据上训练的专家模型在不清晰的图像上表现得更好.
- 在中度和混合模糊条件下,MoE模型的表现始终优于基线模型 (例如,MoE-CNN_CLAM AUC:0.868与0.702,MoE-UNI_CLAM AUC:0.950与0.928).
结论:
- 在WSIs中不清晰的区域通常会降低AI预测性能.
- 提出的MoE策略在所有测试的场景中显著改善或维持了预测性能.
- 这种方法可以提高基于AI的病理学模型在研究和临床环境中的质量和可靠性.
