通过迁移学习像病理学家一样自动评分组织图像

癌症是全球第二大死因。早期诊断癌症可挽救许多生命。病理学家必须手动查看组织微阵列（TMA）图像以识别肿瘤，这耗时、不一致且主观。现有自动算法要么未达到病理学家的准确度水平，要么需要大量人工参与。一个主要挑战是不同形状、大小和位置的 TMA 图像可能具有相同评分。学习 TMA 图像中的染色模式需要海量图像，但因医疗机构的隐私与监管限制而严重匮乏。不同癌症类型的 TMA 图像可能共享某些共同特征，但因染色模式的异质性，直接合并会损害准确度。迁移学习是一种新兴学习范式，允许从相似问题中借力。然而，现有方法通常需要来自相似学习问题的大样本，而不同癌症类型的 TMA 图像往往样本量小，且现有算法局限于从单一相似问题迁移学习。我们提出一种新的迁移学习算法，可从多个相关问题学习，其中每个问题样本量小且可与原始问题分布差异显著。该算法突破了关键准确度壁垒（病理学家 75% 的准确度水平），在斯坦福组织微阵列数据库的乳腺癌 TMA 图像上报告准确度达 75.9%。其得到近期迁移学习理论进展与聚类技术经验证据的支持。这将使病理学家能够自信地采用自动算法，以更高准确度实时一致地识别肿瘤。