面向真实医院环境的病例级乳腺癌预测

用于乳腺摄影的乳腺癌预测模型假设单个图像或感兴趣区域（ROI）的标注可用，且每位患者图像数量固定。这些假设在真实医院环境中不成立，临床医生仅提供整个乳腺摄影检查（病例）的最终诊断。由于真实医院环境中的数据随持续患者接诊而增长，而人工标注工作并未同步增长，我们开发了一个病例级乳腺癌预测框架，其不需要任何人工标注，并可使用医院现成的病例标签进行训练。具体而言，我们提出了一种在块和图像级的两级多示例学习（MIL）方法用于病例级乳腺癌预测，并在两个公共和一个私有数据集上进行了评估。我们提出了一种新颖的域特定MIL池化，观察到乳腺癌可能发生于单侧或双侧，而乳腺摄影中作为预防会拍摄双乳图像。我们提出了一种动态训练流程，用于在每病例可变数量图像上训练我们的MIL框架。我们表明，我们的两级MIL模型可应用于仅提供病例标签且每病例图像数量可变的真实医院环境，且与在图像标签上训练的模型相比性能无损失。仅以弱（病例级）标签训练，它有能力指出异常所在的乳房侧别、乳腺摄影视图及视图区域。