面向无监督组织的等变成像生物标志物

组织病理学通过显微镜检查组织标本是准确疾病诊断和预后的关键。然而，传统的依赖专职病理学家手动分析耗时、费力、成本高且存在观察者间变异，可能影响诊断的一致性和准确性。随着数字病理图像的快速增长，亟需自动化分析以应对这些挑战。尽管人工智能工具如机器学习模型在分析组织标本方面显著提升了精度和效率，但这些模型仅对平移等变，缺乏对旋转和反射的等变性。这一限制阻碍了其在组织病理学中的泛化能力，因为该领域的图像本质上缺乏有意义的方向。在本研究中，我们通过无监督分割开发了稳健的等变组织病理生物标志物。方法使用来自 50 名患者在 2019 年 Gleason 挑战公开数据集中的前列腺组织微阵列（TMA）图像进行验证。通过本方法提取的生物标志物在旋转不变性方面优于使用标准卷积核的模型，展现了提升数字病理学中机器学习模型准确性、一致性和稳健性的潜力。最终，本工作旨在提升组织病理学（不限于前列腺癌）的诊断和预后能力。