利用苏木精-伊红全切片图像进行胶质瘤诊断的多实例学习：一项印度队列研究
计算机视觉与模式识别
2024-03-11 v2 人工智能
摘要
脑肿瘤的有效管理依赖于精确的分型、亚分型和分级。本研究通过在脑肿瘤组织病理学中跨多种特征提取器和聚合器进行严格的多实例学习实验，推进了患者护理。它在多个数据集上的胶质瘤亚型分类中建立了新的性能基准，包括一个专注于印度人群的新数据集，为现有研究提供了宝贵资源。使用在组织病理学数据集上预训练的ResNet-50进行特征提取，并结合双层特征蒸馏特征聚合器，我们的方法在IPD-Brain和TCGA-Brain数据集上分别实现了88.08和95.81的AUC，用于三分类胶质瘤亚型分类。此外，它通过苏木精-伊红染色的全切片图像，为IPD-Brain数据集在分级和检测IHC分子生物标志物方面建立了新的基准。该工作还强调了模型决策过程与病理学家诊断推理之间的显著相关性，突出了其模仿专业诊断程序的能力。
引用
@article{arxiv.2402.15832,
title = {Multiple Instance Learning for Glioma Diagnosis using Hematoxylin and Eosin Whole Slide Images: An Indian Cohort Study},
author = {Ekansh Chauhan and Amit Sharma and Megha S Uppin and C. V. Jawahar and P. K. Vinod},
journal= {arXiv preprint arXiv:2402.15832},
year = {2024}
}