基准测试多个实例的学习架构从补丁病理前列腺癌的检测和分级使用基于注意力的弱监督使用基于注意力的弱监督
Naveed Anwer Butt1, Dilawaiz Sarwat2, Irene Delgado Noya3,4,5,6
1Department of Computer Science, University of Gujrat, Gujrat, Pakistan.
Scientific reports
|March 2, 2026
概括
这项研究引入了一个弱监督的深度学习框架,用于前列腺癌诊断和分级,实现高准确性和可解释性. 人工智能方法尽量减少注释需求,优于传统方法,接近专家病理学家的表现.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 数字病理学数字病理学
背景情况:
- 前列腺癌的诊断和分级至关重要,但传统上是耗时和变化的.
- 目前的AI系统需要广泛的像素级注释,限制了临床实用性.
- 自动化系统需要具有可扩展性,可解释性和准确性,以便广泛采用.
研究的目的:
- 开发和评估一个弱监督的深度学习框架,用于自动化前列腺癌诊断和国际泌尿病理学会 (ISUP) 评分.
- 为了最大限度地减少注释要求,并提高AI驱动基因病理学中的解释性.
- 对多个实例学习 (MIL) 架构和配置进行大规模的基准研究.
主要方法:
- 在PANDA数据集 (10,616个完整的幻灯片图像) 上对六个MIL架构,三个特征编码器和四个补丁提取技术进行基准测试.
- 利用分布式云计算来处理超过3100万个组织补丁.
- 实施注意力机制和Grad-CAM以实现可解释性.
主要成果:
- 最佳配置 (UNI2编码器与ILRA-MIL) 实现了78.75%的准确性和90.12%的二次加权卡帕 (QWK).
- 叠加较小的补丁和特定领域的基础模型产生了更高的性能.
- 该方法证明了可扩展性,可行性和可解释性.
结论:
- 弱监督的深度学习为前列腺癌诊断和分级提供了可扩展和可解释的解决方案.
- 这个框架接近专家病理学家的诊断能力,解决传统方法的局限性.
- 该研究为此应用提供了第一次对弱监督的MIL方法进行大规模比较.