LiteMIL:一个计算高效的交叉注意力多实例学习,用于在全幻灯片图像上进行癌症亚型化

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能.
• 数字病理学数字病理学

背景情况:

• 精确的癌症亚型鉴定对于精准医学至关重要.
• 千兆像素全幻灯片图像 (WSIs) 为分析带来了计算挑战.
• 现有的基于变压器的多实例学习 (MIL) 方法是计算密集的,限制了临床使用.

研究的目的:

• 介绍 LiteMIL,一个计算效率高的交叉注意力 MIL 方法用于 WSI 分类.
• 为WSI分类优化MIL,以克服计算需求.
• 允许先进的MIL技术用于癌症亚型的临床部署.

主要方法:

• 开发了LiteMIL,一个使用单个可学习查询进行袋级聚合的交叉注意力MIL.
• 对四个TCGA数据集 (乳腺,脏,肺,TUPAC16) 的五种基线方法进行了LiteMIL的评估.
• 利用嵌套交叉验证与患者级别的分割,并进行了系统性废除研究.

主要成果:

• 莱特米尔实现了具有竞争力的精度 (83.5%),与TransMIL相匹配.
• 证明了显著的效率提升:参数减少4.8倍,推断速度快2.9倍,GPU内存使用率降低6.7倍.
• 展示了取决于任务的性能,以单个查询优化专注注意力和多个查询优势用于异质任务.

结论:

• LiteMIL为WSI分类提供了一个资源高效的解决方案,适合消费者GPU.
• 交叉注意力架构平衡了用于临床整合的性能与计算效率.
• 任务依赖的设计洞察力指导各种WSI分类场景的实际实施.