从全切片图像预测 RNA 序列表达并应用于检索与分类的学习方法
图像与视频处理
2022-03-29 v1 计算机视觉与模式识别
摘要
深度学习方法被广泛应用于数字病理学中，以应对预后与诊断等临床挑战。作为最新应用之一，深度模型也被用于从全切片图像中提取分子特征。尽管分子检测携带丰富信息，但其通常昂贵、耗时，且需要额外的组织取样。本文中，我们提出 tRNAsfomer，一种基于注意力的拓扑结构，能够同时学习从图像预测 bulk RNA-seq 并表征玻璃载片的全切片图像。tRNAsfomer 使用多示例学习来解决弱监督问题，而图像在像素级标注不可用。我们进行了若干实验，与最先进算法相比取得了更优性能与更快收敛。所提出的 tRNAsfomer 可作为一种计算病理学工具，通过结合活检样本的组织形态与分子指纹，推动新一代检索与分类方法。
引用
@article{arxiv.2203.13997,
title = {Learning to Predict RNA Sequence Expressions from Whole Slide Images with Applications for Search and Classification},
author = {Amir Safarpoor and Jason D. Hipp and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2203.13997},
year = {2022}
}