基于深度学习的数字病理学中 fixation 类型预测用于质量控制
计算机视觉与模式识别
2026-02-16 v2
摘要
fixation 类型的准确标注是病理实验室片Prepar工作中的关键步骤。然而，这一手动过程容易出错，影响下游分析和诊断准确性。现有方法用于验证常规固定、嵌片（FFPE）和冷冻切片（FS）固定类型，通常需要高分辨率全切片图像（WSI），限制了高通量质量控制的可扩展性。我们提出一种基于深度学习的模型，使用低分辨率的预扫描缩略图预测固定类型。该模型在 Leica GT450DX（n=1,200）的 WSIs 上进行训练，并在 The Cancer Genome Atlas 数据集（TCGA，n=8,800，Leica AT2）上的 class-balanced 子集、以及来自 Augsburg（n=695 [392 FFPE, 303 FS]，Philips UFS）和 Regensburg（n=202，3DHISTECH P1000）的 class-balanced 数据集上进行评估。我们的模型在 TCGA 上实现了 0.88 的 AUROC，超越了相当于的预扫描方法 4.8%。它在 Regensburg 和 Augsburg 切片上分别实现了 0.72 的 AUROC，凸显了扫描器引起的域迁移带来的挑战。此外，该模型每个切片仅需 21 毫秒，速度是现有高倍率、全分辨率方法的 400 倍，实现了快速、高通量的处理。该方法为在不依赖高倍率扫描的情况下检测标注错误提供了高效解决方案，为高通量病理工作流程中的质量控制提供了有价值的工具。未来工作将改进和评估该模型对额外扫描器类型的泛化能力。我们的发现表明，这种方法可以提高数字病理工作流程的准确性和效率，并可扩展到其他低分辨率切片标注。
关键词
引用
@article{arxiv.2602.08652,
title = {Deep Learning-Based Fixation Type Prediction for Quality Assurance in Digital Pathology},
author = {Oskar Thaeter and Tanja Niedermair and Jan E. G. Albin and Johannes Raffler and Ralf Huss and Peter J. Schüffler},
journal= {arXiv preprint arXiv:2602.08652},
year = {2026}
}
备注
11 pages, 6 figures, 7 tables