CAMIL：用于全切片图像中癌症检测与分型的上下文感知多示例学习
计算机视觉与模式识别
2024-10-11 v3
摘要
组织活检切片的视觉检查是癌症诊断的基础，病理学家需在多种放大倍数下分析切片以辨别肿瘤细胞及其亚型。然而，现有用于癌症诊断中全切片图像（WSI）分析的基于注意力的多示例学习（MIL）模型常忽略肿瘤与邻近图块之间的上下文信息，导致误分类。为此，我们提出上下文感知多示例学习（CAMIL）架构。CAMIL引入邻域约束注意力以考虑WSI内图块间的依赖关系，并将上下文约束作为先验知识整合进MIL模型。我们在非小细胞肺癌分型（TCGA-NSCLC）以及淋巴结转移检测（CAMELYON16和CAMELYON17）上评估了CAMIL，测试AUC分别达到97.5%、95.9%和88.1%，优于其他state-of-the-art方法。此外，CAMIL通过识别高诊断价值区域增强了模型可解释性。
引用
@article{arxiv.2305.05314,
title = {CAMIL: Context-Aware Multiple Instance Learning for Cancer Detection and Subtyping in Whole Slide Images},
author = {Olga Fourkioti and Matt De Vries and Chen Jin and Daniel C. Alexander and Chris Bakal},
journal= {arXiv preprint arXiv:2305.05314},
year = {2024}
}
备注
16 pages, 4 figures