肾细胞癌亚型分类：从多尺度定位中学习
计算机视觉与模式识别
2025-12-17 v2 人工智能
机器学习
摘要
肾细胞癌在许多患者的早期阶段通常无症状。这导致肿瘤诊断较晚，此时治愈可能性较低，使得肾细胞癌的死亡率相对于其发病率较高。为提高生存机会，快速准确地对肿瘤亚型进行分类至关重要。如今，基于人工智能的计算机化方法代表了提高基于显微镜的肾细胞癌诊断的生产力和客观性的有趣机会。尽管如此，由于缺乏注释数据集（这对于监督机器学习技术的熟练训练至关重要），其应用在很大程度上受到阻碍。本研究旨在探究一种基于组织学样本多尺度性质的机器学习诊断工具的新型自监督训练策略。我们旨在减少对注释数据集的需求，而不显著降低工具的准确性。我们在全切片成像数据集上展示了我们工具对肾癌亚型分类的能力，并将我们的解决方案与多种最先进的分类对应方法进行了比较。
引用
@article{arxiv.2411.09471,
title = {Renal Cell Carcinoma subtyping: learning from multi-resolution localization},
author = {Mohamad Mohamad and Francesco Ponzio and Santa Di Cataldo and Damien Ambrosetti and Xavier Descombes},
journal= {arXiv preprint arXiv:2411.09471},
year = {2025}
}