高效特殊染色分类

染色在组织病理学中至关重要，Haematoxylin and Eosin (H&E) 作为临床标准。然而，病理学家经常利用多种特殊染色来诊断特定的 morphology。保持这些切片的 accurate metadata 对临床档案的质量控制以及计算生物路径学数据集的完整性至关重要。本文比较了两种用于自动化分类染色的方法，使用 whole slide images 覆盖我们机构最常用的 14 种特殊染色，另外包括标准和冷冻切片 H&E。我们评估了 Multi-Instance Learning (MIL) pipeline 和一个提出的轻量级 thumbnail-based 方法。在内部测试数据上，MIL 实现了最高的性能（16 类 macro F1: 0.941；合并 14 类: 0.969），而 thumbnail 方法仍具竞争力（0.897 和 0.953）。在外部 TCGA 数据上，thumbnail 模型的泛化性能最佳（加权 F1: 0.843 vs. 0.807 for MIL）。thumbnail 方法还将吞吐量提高了两个数量级（5.635 vs. 0.018 slides/s for MIL with all patches）。我们得出结论，thumbnail-based 分类为数字生物路径学工作流程中的 routine visual quality control 提供了可扩展且稳健的解决方案。