一种用于改善 AI 基于计算病理预测性能的混合专家 (MoE) 模型，以适应不同的组织学图像模糊程度
图像与视频处理
2025-07-21 v5 计算机视觉与模式识别
摘要
用于组织病理全切片图像 (WSI) 分析的 AI 模型日益增多，但 WSI 中不清晰或模糊的区域会显著降低预测性能。本研究检验了图像模糊对深度学习模型的影响，并引入了一种混合专家 (MoE) 策略，该策略结合来自不同模糊程度数据训练的多个专家模型的预测。使用 2,093 名乳腺癌患者的 H&E 染色 WSIs，我们对基于 CNN (CNN_CLAM 和 MoE-CNN_CLAM) 和基于 Vision Transformer 的 (UNI_CLAM 和 MoE-UNI_CLAM) 模型进行了基准测试，以对其进行分级分类和 IHC 生物标志物预测。我们的结果显示，基线模型的性能在模糊程度增加时一致下降，但在模糊瓶砖上训练的专家模型，尤其是我们提出的 MoE 方法，显著改善了性能，并在各种模拟情景中超越了基线模型。MoE-CNN_CLAM 在中等 (AUC: 0.868 vs. 0.702) 和混合模糊条件下 (AUC: 0.890 vs. 0.875) 分别优于基线 CNN_CLAM。MoE-UNI_CLAM 在中等 (AUC: 0.950 vs. 0.928) 和混合模糊条件下 (AUC: 0.944 vs. 0.931) 均优于基线 UNI_CLAM 模型。该 MoE 方法有望提升 AI 病理模型在可变图像质量下的可靠性，支持其在更广泛的研究和临床应用中使用。
引用
@article{arxiv.2405.09298,
title = {A Mixture of Experts (MoE) model to improve AI-based computational pathology prediction performance under variable levels of histopathology image blur},
author = {Yujie Xiang and Bojing Liu and Mattias Rantalainen},
journal= {arXiv preprint arXiv:2405.09298},
year = {2025}
}