在早期胃癌中预测淋巴结转移的多规模多实例学习
概括
一个新的深度学习模型使用整个幻灯片图像预测早期胃癌的淋巴结转移. 这种方法可以提高诊断的准确性,并有助于避免不必要的手术.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 机器学习在瘤学中
背景情况:
- 淋巴结转移 (LNM) 在胃癌进展中至关重要.
- 多个实例学习 (MIL) 用于整个幻灯片图像 (WSI) 分析.
- 目前的MIL方法往往缺乏多尺度分析,与人类病理学家不同.
研究的目的:
- 开发一个跨度多个实例学习 (MIL) 框架,用于预测早期胃癌 (EGC) 淋巴结转移的淋巴结转移 (LNM).
- 为了提高诊断准确性,将多个尺度的相互作用纳入.
- 为了提高自动LNM诊断的解释性.
主要方法:
- 提出了一个新的跨尺度MIL框架,具有多尺度交互.
- 引入了一个跨尺度的注意模块,以集成来自不同图像分辨率的功能.
- 聚合交叉尺度和分辨率特征用于幻灯片级LNM预测.
- 在740名T1期胃癌WSIs的临床队列上验证了模型.
主要成果:
- 拟议的框架实现了曲线下的面积 (AUC) 为0.712.
- 在预测LNM方面表现优于基线MIL模型.
- 生成多尺度注意力可视化,以提高可解释性.
结论:
- 开发的深度学习模型准确地从EGC WSIs中预测LNM,为分析淋巴结样本提供了替代方案.
- 这种方法可以帮助EGC患者的治疗决策,并可能防止不必要的淋巴结切除.
- 这项研究强调了多尺度分析在癌症诊断的计算病理学中的好处.
