基于自监督对比学习驱动上下文感知 MIL 网络的法医组织病理识别

法医病理学在从微观层面分析死亡方式和死亡时间以协助建立可靠犯罪事实基础方面至关重要。实践中，即便人工区分不同死后器官组织也具有挑战性且依赖专业知识，因为腐败和自溶等变化会显著改变典型的组织病理学外观。开发基于 AI 的计算病理学技术以辅助法医病理学家具有实际意义，这需要可靠的判别性表征学习来捕获组织细粒度的死后模式。为此，我们提出一种称为 FPath 的框架，其中设计了专用的自监督对比学习策略和上下文感知多实例学习（MIL）模块，以从 varying 放大倍数下获取的死后组织病理学图像中学习判别性表征。我们的自监督学习步骤利用多个互补对比损失和正则化项训练一个双层骨干网络，用于细粒度且信息丰富的块/实例嵌入。此后，上下文感知 MIL 从局部实例中自适应蒸馏出整体包/图像级表征以用于识别任务。在一个包含 $19,607$ 张实验大鼠死后图像和 $3,378$ 张真实世界人类死者图像的大规模数据库上，我们的 FPath 在识别七种不同死后组织方面取得了最先进的准确率和有前景的跨域泛化能力。源代码将发布于 \href{https://github.com/ladderlab-xjtu/forensic_pathology}{https://github.com/ladderlab-xjtu/forensic\_pathology}。