基于形态学原型的计算病理学无监督切片表示学习

计算病理学全切片图像（WSI）的表示学习主要依赖于基于多实例学习（MIL）的弱监督方法。然而，这种方法生成的切片表示高度依赖于特定临床任务，限制了其表达性和泛化能力，尤其在数据有限的场景中。我们假设， tissue 中的形态冗余性可被用于以无监督方式构建任务无关的切片表示。为此，我们引入PANTHER（原型基方法），该方法基于高斯混合模型，将 WSI 切片的 patch 总结为更小的一组形态原型。具体而言，每个 patch 被假设为来自混合分布，其中每个混合组件代表一种形态范例。利用估计的混合参数，我们构建一个紧凑的切片表示，可轻杧用于广泛的下游任务。通过在13个数据集上进行大规模评估 subtyping 和生存预测任务，我们发现：1）PANTHER 在性能上优于或与受监督的MIL基线相当；2）对形态原型的分析带来了新的定性和定量解释模型可解释性的洞见。