高效训练的学习型图像缩放（LRET）促进大规模数字组织病理学图像分类模型性能提升

组织学检查在肿瘤学研究和诊断中发挥着至关重要的作用。全切片图像（WSI）数字扫描的采用为利用基于深度学习的图像分类方法来增强诊断和风险分层创造了机会。当前训练深度卷积神经网络（DCNN）方法的技术局限性导致模型性能欠佳，使得全面分类模型的训练和部署无法实现。在本研究中，我们引入了一种新方法，以解决传统组织病理学分类模型训练的主要局限性。我们的方法称为高效训练的学习型缩放（LRET），将高效训练技术与图像缩放相结合，促进将较大的组织学图像块无缝集成到最先进的分类模型中，同时保留重要的结构信息。我们使用 LRET 方法结合两种不同的缩放技术，采用多种不同的 DCNN 架构训练了三个不同的组织学图像数据集。我们的研究结果表明，分类性能和训练效率均有显著提升。在各项实验中，LRET 始终优于现有方法，在包含 74 种不同脑肿瘤类型的大规模多类肿瘤分类任务中，准确率提升了 15-28%。LRET 不仅提高了分类准确率，还大幅缩短了训练时间，释放了更快模型开发与迭代的潜力。这项工作的意义延伸至医学成像及更广泛领域中的应用，在这些应用中，将高分辨率图像高效集成到深度学习流程中对于推动研究和临床实践的进步至关重要。