基于全切片组织病理图像的儿童脑肿瘤分类的临床导诊建模

儿童脑肿瘤诊断从组织病理学开始对于深度学习而言具有独特挑战，包括严重的数据稀缺、类别不平衡以及诊断上不同亚型之间的细粒度形态重叠。虽然病理学基础模型已推进切片级别的表示学习，但其在有限数据条件下针对儿童脑肿瘤弱监督分类的有效适配仍未得到充分探索。本文引入一种基于专家引导的对比微调框架，用于儿童脑肿瘤诊断。我们的ethods将对比学习集成到切片级别的多实例学习(MIL)，以显式正规化下游微调期间切片级别表示的几何。我们提出了通用的监督对比设置和包含临床信息硬负样本的专家引导变体，后者针对诊断上易混淆亚型。通过在现实条件下的低样本和类别不平衡条件下进行全面实验，我们证明对比微调在细粒度诊断区别方面实现可测量的改进。我们的实验分析揭示了不同对比策略的互补优势，专家引导的硬负样本促进更紧凑的类内表示并提高类间分离。本工作凸显了在数据稀缺的儿童病理学环境中，对于稳健的细粒度分类，显式塑造切片级别表示的重要性。