通过自蒸的变压器和拓意识的视觉编码在组织病理学中的多层次瘤特征化

科学领域:

• 计算病理学计算病理学
• 数字组织病理学 数字组织病理学
• 机器学习在医学中的应用

背景情况:

• 整个幻灯片图像 (WSIs) 在组织病理学中存在挑战,因为复杂性和变化在放大.
• 现有的模型往往难以概括,忽视组织架构,或缺乏适应性样本优先级.
• 像素级外观和形态上下文的有限整合限制了诊断可靠性.

研究的目的:

• 开发一个针对多尺度瘤特征的框架,以解决现有的组织病理学模型的局限性.
• 为了提高不同放大度和组织变异的准确性,稳定性和诊断可靠性.
• 整合拓,上下文和形态信息以进行增强的瘤分析.

主要方法:

• 开发了病理适应性不确定性意识一致性 (PAUAC) 框架,用于跨放大预测一致性.
• 实现结构性注意力受约束图形调节器 (SACGR) 用于拓意识的视觉编码.
• 引入了多层次病理学课程调度器 (MPCS),用于培训期间适应性样本优先级.
• 集成变压器驱动双模态形态测量网络和对比细胞-上下文表示对齐 (CCCRA) 模块.

主要成果:

• 实现了可测量的改进,包括+2.3%的子得分和+3.7%的模两可的样本准确度.
• +21%更快的融合和+12.6%在嵌入式中规范化的相互信息显示了增强的学习效率.
• 该框架显示了增强的表示丰富性和嵌入式一致性跨增大.

结论:

• 拟议的框架为组织病理学的多尺度瘤表征提供了重大进展.
• 它以一种可解释和可扩展的方式建立了解析意识,拓约束和形态融合的学习.
• 这项工作提高了数字病理学分析的诊断可靠性和效率.