无需负样本：用于全切片组织病理学图像中可解释肿瘤检测的弱监督回归
图像与视频处理
2025-03-03 v1 计算机视觉与模式识别
摘要
数字病理学全切片图像（WSI）中的准确肿瘤检测对于癌症诊断和治疗规划至关重要。多示例学习（MIL）已成为一种广泛使用的方法，无需手动标注即可利用大规模数据进行弱监督肿瘤检测。然而，传统的 MIL 方法通常依赖于需要无肿瘤病例作为负样本的分类任务，这在真实世界的临床流程中难以获取，尤其是对于手术切除标本。我们通过将肿瘤检测重新表述为回归任务来解决这一局限性，即从 WSI 中估计肿瘤百分比，这是一个跨多种癌症类型均可获得的临床目标。在本文中，我们通过将所提出的弱监督回归框架应用于多种器官、标本类型和临床场景，对该框架进行了分析。我们表征了我们的框架在将肿瘤百分比作为含噪回归目标时的鲁棒性，并引入了一种新颖的放大技术概念，以在学习小肿瘤区域时提高肿瘤检测灵敏度。最后，我们通过分析视觉注意力和 logit 图，为模型预测提供了可解释的见解。我们的代码可在 https://github.com/DIAGNijmegen/tumor-percentage-mil-regression 获取。
引用
@article{arxiv.2502.21109,
title = {"No negatives needed": weakly-supervised regression for interpretable tumor detection in whole-slide histopathology images},
author = {Marina D'Amato and Jeroen van der Laak and Francesco Ciompi},
journal= {arXiv preprint arXiv:2502.21109},
year = {2025}
}