诊断文本导向的表示学习在病态整体幻灯片图像的等级分类中
Jiawen Li1, Qiehe Sun1, Renao Yan1
1Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, 518055, China.
Medical image analysis
|December 12, 2025
概括
通过使用人工智能来分析整个幻灯片图像 (WSIs) 以一种新的等级分类方法,PathTree增强了癌症诊断. 这种方法有效地将疾病类别映射到二进制树结构中,以提高复杂的病理任务的准确性.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能.
- 医疗图像分析 医学图像分析
背景情况:
- 数字成像和人工智能驱动的整张幻灯片图像 (WSIs) 的分析对于癌症诊断至关重要.
- 目前的方法通常依赖于幻灯片级标签,因为注释成本高,限制了复杂的病理关系的探索.
- 先进的病理学任务需要更复杂的方法,超出了基本的代表性学习.
研究的目的:
- 引入一个层次的病理图像分类框架.
- 提出PathTree,一种用于复杂WSI分析的新型表示学习方法.
- 用WSIs提高AI辅助癌症诊断的准确性和深度.
主要方法:
- 路径树将多种疾病分类模型作为二进制树结构,编码专业的病理学文本描述.
- 它使用树状编码器在文本描述和图像特征之间传递信息.
- 幻灯片-文本相似性指导着层次表示的聚合,并纳入树特异性损失以加强关联.
主要成果:
- 在三个具有挑战性的层次分类数据集 (肺癌,前列腺癌,乳腺癌) 上,PathTree 展示了与最先进的方法相比具有竞争力的性能.
- 该方法有效地处理各种类型的病变及其复杂的相互关系.
- 在复杂的WSI分类中,PathTree为基于深度学习的解决方案提供了新的视角.
结论:
- 路径树为层次的病理图像分类提供了强大而有效的方法.
- 该方法推进了人工智能的应用,用于分析复杂的WSIs用于癌症诊断.
- 路径树代表了朝着更复杂,更准确的深度学习辅助病理学迈出的重要一步.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
4.4K
05:33Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
747
