基于全切片图像的自对比弱监督学习框架用于预后预测
计算机视觉与模式识别
2025-10-07 v1 人工智能
摘要
我们提出了首次将深度学习技术应用于组织病理图像以解决自动化预后预测这一重大挑战的探索。预后预测具有独特挑战，因为 ground truth 标签本质上较弱，模型必须预测图像中不可直接观察到的未来事件。为此，我们提出一种新颖的三部分框架：基于卷积网络的组织切片区域兴趣分割算法、用于特征提取的对比学习模块以及基于嵌套的多实例学习分类模块。我们的研究探讨了组织病理切片中各种区域兴趣的重要性，并利用多样化学习情景。该管道最初在人工生成数据和较简单的诊断任务上进行验证。转向预后预测后，任务变得更具挑战性。以蘀癌为案例，我们的最佳模型在复发和治疗结果预测中分别获得 AUC 为 0.721 和 0.678。
引用
@article{arxiv.2405.15264,
title = {Self-Contrastive Weakly Supervised Learning Framework for Prognostic Prediction Using Whole Slide Images},
author = {Saul Fuster and Farbod Khoraminia and Julio Silva-Rodríguez and Umay Kiraz and Geert J. L. H. van Leenders and Trygve Eftestøl and Valery Naranjo and Emiel A. M. Janssen and Tahlita C. M. Zuiverloon and Kjersti Engan},
journal= {arXiv preprint arXiv:2405.15264},
year = {2025}
}
备注
https://github.com/Biomedical-Data-Analysis-Laboratory/HistoPrognostics