无监督与监督自编码器在明晰细胞肾细胞癌图像中核团分类中的比较分析

本研究探索了监督和无监督自编码器（AE）在明晰细胞肾细胞癌（ccRCC）图像中自动化核团分类中的应用，这一诊断任务传统上依赖于病理学家主观的视觉分级。我们评估了各种AE架构，包括标准AE、压缩AE（CAE）和判别AE（DAE），以及基于分类器的判别AE（CDAE），并使用调参工具Optuna进行优化。从多个指标中选择巴氏距离来评估潜空间中类别的可分性，结果显示在无监督模型中区分相邻分级存在挑战。CDAE通过集成监督分类器分支，在潜空间分离性和分类准确率方面表现优异。鉴于CDAE-CNN在分类指标上取得显著改进，证明了针对类别特定特征提取的监督学习的价值，将F1分数纳入调参过程以优化分类性能。结果表明，通过潜空间聚类后进行细粒度分类，利用AE的分类能力可显著提高识别野性ccRCC分级的能力。我们的模型在所有评估指标上均超越了当前最先进的CHR-Network。这些发现表明，结合神经网络结构搜索和对比学习，在AE中集成分类器分支可提高ccRCC病理学中的分级自动化能力，尤其是在检测野性肿瘤分级方面，可能提高诊断准确性。