使用多实例学习在全切片图像中寻找感兴趣区域
计算机视觉与模式识别
2024-04-12 v2 人工智能
摘要
全切片图像（WSI）通过高分辨率数字扫描显微镜载玻片获得，是多尺度的，是现代数字病理学的基石。然而，它们对基于AI的/ AI介导的分析构成了特殊挑战，因为病理标注通常在切片级别而非图块级别进行。不仅医学诊断是在标本级别记录的，癌基因突变的检测也是通过实验获得并由癌症基因组图谱（TCGA）等计划在切片级别记录的。这构成了双重挑战：a）准确预测整体癌症表型，b）找出在切片级别与之相关的细胞形态。为应对这些挑战，针对两种常见癌症类型——浸润性乳腺癌（TCGA-BRCA）和肺鳞状细胞癌（TCGA-LUSC），探索了弱监督多实例学习（MIL）方法。该方法在低放大倍数下进行肿瘤检测，并在不同倍数下检测TP53突变。我们的结果表明，一种新颖的加法MIL实现匹配了参考实现的性能（AUC 0.96），仅略逊于Attention MIL（AUC 0.97）。从分子病理学家的角度来看，更有趣的是，这些不同的AI架构在不同放大倍数下识别出对形态特征（通过检测感兴趣区域RoI）的不同敏感性。值得注意的是，TP53突变对细胞形态得以分辨的更高倍数下的特征最为敏感。
引用
@article{arxiv.2404.01446,
title = {Finding Regions of Interest in Whole Slide Images Using Multiple Instance Learning},
author = {Martim Afonso and Praphulla M. S. Bhawsar and Monjoy Saha and Jonas S. Almeida and Arlindo L. Oliveira},
journal= {arXiv preprint arXiv:2404.01446},
year = {2024}
}