HistoART：组织病理学瑕疵检测与报告工具
计算机视觉与模式识别
2025-07-02 v1 人工智能
机器学习
摘要
在现代癌症诊断中，全切片成像（WSI）广泛用于组织标本的数字化，以实现详细且高分辨率的检查；然而，液体活检和分子检测等其他诊断方法也根据癌症类型和临床背景被采用。尽管WSI通过实现自动化、精确分析而彻底变革了数字组织病理学，但它仍然 vulnerable于在切片制备和扫描过程中引入的瑕疵。这些瑕疵可能影响下游图像分析。为此，我们提出并比较了三种用于WSI瑕疵检测的方法：(1) 基于基础模型的方法（FMA），使用微调的统一神经网络（UNI）架构；(2) 深度学习方法（DLA），基于ResNet50主干网络构建；(3) 基于知识的方法（KBA），利用纹理、颜色和频率度量等手工特征。上述方法针对六类常见瑕疵：组织折叠、焦点不清晰区域、气泡、组织损伤、标记痕迹和血液污染。评估在来自Hamamatsu、Philips、Leica Aperio AT2等多个厂商的50,000+图像块（跨多个组织）上进行。FMA在patch级AUROC上达到0.995（95%置信区间[0.994, 0.995]），优于ResNet50-based方法（AUROC: 0.977，95%置信区间[0.977, 0.978]）和KBA（AUROC: 0.940，95%置信区间[0.933, 0.946]）。为将检测转化为可操作的见解，我们开发了一种质量报告记分卡，对高质量图像块进行量化并可视化瑕疵分布。
引用
@article{arxiv.2507.00044,
title = {HistoART: Histopathology Artifact Detection and Reporting Tool},
author = {Seyed Kahaki and Alexander R. Webber and Ghada Zamzmi and Adarsh Subbaswamy and Rucha Deshpande and Aldo Badano},
journal= {arXiv preprint arXiv:2507.00044},
year = {2025}
}
备注
14 pages, 5 figures