一种整合病理先前信息的对比学习方法,用于有效区分肺状细胞癌中的组织学类别
Mingci Huang1,2, Weijin Xiao3, Gen Lin1
1Department of Medical Oncology, Clinical Oncology School of Fujian Medical University, Fujian Cancer Hospital, Fuzhou, 350014, China.
BMC cancer
|December 17, 2025
概括
样本阳性 (SP) 技术增强了自我监督学习 (SSL),用于分析肺状细胞癌 (LSCC) 中的整个幻灯片图像 (WSIs). 这种方法提高了在数字病理学中识别组织学类别的准确性.
科学领域:
- 数字病理学数字病理学
- 人工智能在组织病理学中的应用
- 计算病理学计算病理学
背景情况:
- 整个幻灯片图像 (WSIs) 由于其复杂性,对手工注释和传统的监督学习提出了挑战.
- 数字病理学和人工智能的进步需要新的方法来分析复杂的WSIs.
研究的目的:
- 开发和验证全幻灯片图像 (WSI) 分析的新型自主监督学习 (SSL) 方法.
- 用WSIs提高使用肺状细胞癌 (LSCC) 区分组织学类别的准确性.
主要方法:
- 提出了样本阳性 (SP) 技术,将相邻组织形态和病理先前信息与SSL框架 (SimCLR,MoCo-v3,SinCLR) 整合起来.
- 在65个LSCC病例的数据集上验证了SP集成的SSL方法,分析了缩,瘤,肌层和上皮.
- 使用微调和线性评估对监督模型和原始SSL框架进行基准性能比较.
主要成果:
- 在微调和线性评估任务中,SP技术的性能优于基准SSL方法.
- SPSimCLR和SPMoCo-v3获得了最高的F1分数,显示出与原始SSL对应产品相比的显著改进.
- 废除研究表明,重叠采样和单组织类型贴片提高了模型性能.
结论:
- 将SP技术与对比学习相结合,显著改善了LSCC WSIs中组织学类别的区分.
- 开发的方法对于在数字病理学中分析非扩散性癌症的WSIs是有效的.
