面向全癌症预测建模的Whole Slide Image级最大均值偏差核——HistoKernel
机器学习
2025-12-29 v1 人工智能
摘要
计算病理学中的机器学习通常聚合来自多百万像素Whole Slide Images（WSI）的切片级预测，以生成WSI级预测分数，用于关键任务，如生存预测和药物效果预测。然而，现有方法未显式刻画WSI内部切片集合之间的分布差异。我们引入HistoKernel，这是一种新的最大均值偏差（MMD）核，用于衡量WSI之间的分布相似性，以提高下游预测任务的性能。我们的全面分析表明，HistoKernel在各种机器学习任务中均表现有效，包括检索（n=9,362）、药物灵敏度回归（n=551）、点突变分类（n=3,419）和生存分析（n=2,291），超越现有的深度学习方法。此外，HistoKernel无缝集成多模态数据，并提供一种基于扰动的切片级可解释性方法。本工作 pioneers（先驱）了基于核方法的WSI级预测建模，为研究开辟了新方向。代码可在https://github.com/pkeller00/HistoKernel获取。
引用
@article{arxiv.2408.05195,
title = {HistoKernel: Whole Slide Image Level Maximum Mean Discrepancy Kernels for Pan-Cancer Predictive Modelling},
author = {Piotr Keller and Muhammad Dawood and Brinder Singh Chohan and Fayyaz ul Amir Afsar Minhas},
journal= {arXiv preprint arXiv:2408.05195},
year = {2025}
}
备注
28 pages, 5 figures, 1 Table. Preprint for article in review at Nature Machine Intelligence