通过使用多实例学习,SMMILe可以在数字病理学中准确量化空间.
Zeyu Gao1,2, Anyu Mao3, Yuxing Dong3
1Department of Oncology, University of Cambridge, Cambridge, UK.
Nature cancer
|November 19, 2025
概括
本研究介绍了SMMILe,这是一种新的计算病理学方法,可以在整个幻灯片图像中增强空间量化,而不会牺牲分类准确性. 在数字病理学中,SMMILe 提高了诊断预测和空间意识.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 机器学习在医学中的应用
背景情况:
- 空间量化对于计算病理学至关重要,但在多个实例学习 (MIL) 模型中经常丢失.
- 现有的MIL方法可以预测整个幻灯片的图像标签,但缺乏空间意识,限制了临床应用.
- 手动注释耗时,并且阻碍了病理图像分析中的可扩展性.
研究的目的:
- 开发一种计算病理学方法,实现准确的全幻灯片图像 (WSI) 预测和卓越的空间量化.
- 通过数学证明,实例级聚合可以提高MIL模型中的空间意识.
- 引入和验证基于超级补丁的可测量的多实例学习 (SMMILe) 方法.
主要方法:
- 开发了一个基于超级补丁的可测量的多实例学习 (SMMILe) 框架.
- 在数学上证明了实例级聚合在MIL空间量化中的好处.
- 在3,850个全幻灯片图像上对6种癌症类型和3个分类任务进行了SMMILe评估.
- 与使用两个不同的编码器 (预训练ImageNet和病理特定) 的九种现有方法进行了基准SMMILe.
主要成果:
- 在所有评估任务中,SMMILe与最先进的WSI分类性能相匹配或超过.
- 该方法展示了出色的空间量化能力.
- 无论使用什么编码器 (ImageNet或病理特定的基础模型),性能都是一致的.
结论:
- SMMILe有效地将空间量化与高性能WSI分类集成在一起.
- 拟议的实例级聚合方法克服了传统MIL方法的局限性.
- SMMILe为推进计算病理学和数字诊断提供了一个强大的工具.


