双选择性采摘模式-意识到多个实例的学习与不确定性规范化等级组预测在他的病理学图像
Xinyu Hao1, Hongming Xu2, Jingdong Zhang3
1Cancer Hospital of Dalian University of Technology, Shenyang, 110042, China; School of Biomedical Engineering, Faculty of Medicine, Dalian University of Technology, Dalian, 116024, China; School of Software Technology, Dalian University of Technology, Dalian, 116024, China; Faculty of Information Technology, University of Jyväskylä, Jyväskylä, 40014, Finland.
这项研究引入了DSPA-U-MIL,这是一种用于预测前列腺癌的新型模型. 该方法通过考虑不同的格里森模式来提高准确性和可解释性,优于现有的方法.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 机器学习在医学中的应用
背景情况:
- 准确的格里森等级组 (GG) 预测对于前列腺癌管理至关重要.
- 现有的格里森分级的多实例学习 (MIL) 方法往往忽视了不同格里森模式的联合影响,影响了准确性和可解释性.
研究的目的:
- 开发一种不确定性驱动的,双选择性的,格里森模式意识的MIL模型 (DSPA-U-MIL) 以改善患者水平的GG预测.
- 通过结合格里森模式的领域知识来提高格里森分级的准确性和可解释性.
主要方法:
- 拟议的DSPA-U-MIL模型集成可学习模式聚合令牌和专家概念引导的补丁级聚合.
- 采用了教师-学生知识蒸框架,用于跨格里森模式的合作预测.
- 引入了一个不确定性约束,以提高对噪音标签的稳定性.
主要成果:
- 与现有的MIL方法相比,DSPA-U-MIL在五个数据集 (10,809个WSI,1133个TMA) 中表现出更好的性能.
- 与CLAM基线相比,二次加权卡帕 (QWK) 得分提高了6.7%,特别是在TCGA-PRAD数据集上.
- 学生模型的门口重量分布与病理学家的注释保持一致,证实了可解释性.
结论:
- DSPA-U-MIL在 Gleason GG 自动预测方面取得了重大进展,提高了预测准确性和临床解释性.
- 该模型利用格里森模式的域知识和处理标签噪声的能力使其成为前列腺癌风险分层的宝贵工具.
更多相关视频
08:40Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
Published on: April 8, 2016
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
相关概念视频
Classification of Epithelial Tissues: Glandular Epithelium
Multicellular glands are formed during early development when epithelial budding...
Classification of Epithelial Tissues: Overview
Based on the number of cell layers,...
