来自 HE 染色全切片图像的淋巴瘤亚型多中心基准数据集
计算机视觉与模式识别
2026-03-20 v3 人工智能
摘要
及时准确的淋巴瘤诊断对于指导癌症治疗至关重要。标准诊断实践将 HE 染色全切片图像与免疫组化、流细胞术和分子遗传学检测相结合，以确定淋巴瘤亚型，这一过程需要昂贵的设备和专业人才，从而导致治疗延迟。深度学习方法可从 routinely 可获得的 HE 染色切片中直接提取诊断信息，但目前缺乏针对淋巴瘤亚型的多中心数据的全面基准测试。本文我们提供首个淋巴瘤基准数据集，覆盖四种常见淋巴瘤亚型和健康对照组织。我们系统评估了五个公开可用的病理基础模型（H-optimus-1、H0-mini、Virchow2、UNI2、Titan）结合基于注意力的（AB-MIL）和基于转换器的（TransMIL）多实例学习聚合器，在三个放大倍率（10x、20x、40x）下进行测试。在分布测试集上，模型在所有放大倍率下实现的多类平衡准确率均超过 80%，基础模型表现相似，聚合方法结果相当。放大倍率研究发现，40x 分辨率已足够，更高分辨率或跨倍率聚合无性能提升。然而，在分布外测试集上，性能显著下降至约 60%，这凸显了显著的泛化挑战。为推进该领域的发展，还需要覆盖更多罕见淋巴瘤亚型的大型多中心研究。我们提供了一个自动化基准测试管道以促进此类未来研究。本文代码公开于 https://github.com/RaoUmer/LymphomaMIL。
引用
@article{arxiv.2512.14640,
title = {A Multicenter Benchmark of Multiple Instance Learning Models for Lymphoma Subtyping from HE-stained Whole Slide Images},
author = {Rao Muhammad Umer and Daniel Sens and Jonathan Noll and Sohom Dey and Christian Matek and Lukas Wolfseher and Rainer Spang and Ralf Huss and Johannes Raffler and Sarah Reinke and Ario Sadafi and Wolfram Klapper and Katja Steiger and Kristina Schwamborn and Carsten Marr},
journal= {arXiv preprint arXiv:2512.14640},
year = {2026}
}
备注
19 pages