通过多尺度特征融合和多实例学习进行甲状腺病理图像分类

科学领域:

• 计算病理学计算病理学
• 人工智能在诊断中的应用
• 数字病理学数字病理学

背景情况:

• 全球甲状腺癌发病率正在上升.
• 传统的诊断是耗时的,需要专家解释.
• 需要有效和准确的诊断工具.

研究的目的:

• 开发甲状腺癌的辅助诊断工具.
• 减少病理学家的工作量,提高诊断准确度.
• 研究一种新的多功能融合架构的有效性.

主要方法:

• 在模型开发中使用了543个全幻灯片图像 (WSI).
• 采用了多功能融合架构,结合了RetCCL,iBOT和DINO嵌入式.
• 在四个多实例学习 (MIL) 框架 (CLAM-SB,CLAM-MB,DTFD,LA-MIL) 中评估了污点规范化和多尺度分析.
• 在一个独立的128个WSI集上验证.

主要成果:

• 污点正常化,多尺度和多特征融合显著改善了分类性能.
• 内部数据集 (10倍CV):AUC比基线提高了2.8% (0.9900),准确度比基线提高了7.2% (0.9594).
• 外部验证数据集:AUC 0.9584,准确度 0.9070,精度 0.9247,F1 评分 0.9348. 准确度 0.9070,精度 0.9247,F1 评分 0.9348.
• 在两个数据集上都表现出强大可靠的性能.

结论:

• 提出了一个弱监督的MIL框架用于甲状腺癌诊断.
• 该方法集成了多尺度分析和跨模型特征融合.
• 在内部和外部数据集中显示出有希望和一致的结果.
• 潜在的协助病理学家,特别是在资源有限的环境中,等待进一步的验证.