对于卵巢癌组织学图像的域-通用分类的强大框架

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 机器学习在组织学中的应用

背景情况:

• 计算病理 (CP) 分析要求高计算效率和准确的分类可扩展的解决方案.
• 整个幻灯片图像 (WSIs) 存在异质性挑战,阻碍了深度学习模型中强大的概括.
• 现有的深度学习框架在WSIs中与域变化作斗争.

研究的目的:

• 介绍WSI-P2P (全幻灯片成像-补丁预测),一个新的框架解决计算效率和概括在WSI分析.
• 引入K-TOP MIL聚合器,用于选择性处理信息实例.
• 开发一种适应性特征提取器,用于处理多中心数据集的变化.

主要方法:

• 利用缩小的补丁采样和多实例学习 (MIL) 与转移学习.
• 介绍了K-TOP MIL聚合器,这是基于注意力的MIL的一个变体,可以处理K顶级最有信息的实例.
• 具有在线,自适应的特征提取器,用于预训练模型的端到端微调.

主要成果:

• WSI-P2P实现了最先进的准确性,展示了卓越的域名适应性和计算效率.
• K-TOP MIL聚合器提高了性能,达到大约100%的AUROC和95.72%的测试准确度.
• 与基础聚合器相比,K-TOP MIL聚合器显示了2.3倍的计算效率,在各个领域的性能一致.

结论:

• WSI-P2P的性能优于传统的线下特征提取,在各种数据分布中保持高的辨别能力.
• 该框架在亚型分类方面表现出色,证明了它对大规模组织学研究的可靠性.
• WSI-P2P为临床环境和广泛的组织学研究提供了一个可扩展和可靠的工具.