基于数字组织病理学和深度学习的儿童脑肿瘤分类：对多中心瑞典队列中SOTA方法的评估
计算机视觉与模式识别
2025-08-14 v2 人工智能
摘要
脑肿瘤是儿童和年轻成人最常见的实体肿瘤，但大规模组织病理数据集的稀缺限制了该领域的计算病理学应用。本研究在来自六所瑞典大学医院的多中心队列中，对540例（年龄 4.9 岁）诊断为脑肿瘤的组织全切片图像（WSIs）应用两种弱监督的多实例学习（MIL）方法，对儿童脑肿瘤进行分类。使用三种预训练特征提取器（ResNet50、UNI、CONCH）从WSIs中提取实例（切片）级特征。通过注意力机制MIL（ABMIL）或聚类约束注意力MIL（CLAM）进行实例聚合，以实现患者水平的分类。模型在基于儿童脑肿瘤分层分类的三个分类任务中进行评估：肿瘤类别、家族和类型。通过在来自两家中心的数据上训练、在另外四家中心的数据上测试来评估模型的泛化性。通过注意力映射评估模型的可解释性。最高的分类性能使用UNI特征和ABMIL聚合实现，分别在肿瘤类别、家族和类型分类中达到Matthew相关系数为 0.04、0.63\pm0.60\pm$0.05。评估泛化性时，使用UNI和CONCH特征的模型优于使用ResNet50的模型。然而，无论使用哪种特征提取器，从本店测试到本店以外测试的性能下降幅度相似。这些结果表明，面向在多中心国家数据集上具有公平泛化性的儿童脑肿瘤诊断，最先进的计算病理学方法具有潜力。
引用
@article{arxiv.2409.01330,
title = {Pediatric brain tumor classification using digital histopathology and deep learning: evaluation of SOTA methods on a multi-center Swedish cohort},
author = {Iulian Emil Tampu and Per Nyman and Christoforos Spyretos and Ida Blystad and Alia Shamikh and Gabriela Prochazka and Teresita Díaz de Ståhl and Johanna Sandgren and Peter Lundberg and Neda Haj-Hosseini},
journal= {arXiv preprint arXiv:2409.01330},
year = {2025}
}