面向局部模式弱监督 Gleason 分级的自学习方法

前列腺癌是影响全球男性的主要疾病之一。诊断和预后的金标准是 Gleason 分级系统。在此过程中，病理学家在显微镜下手动分析前列腺组织切片，这是一项耗时且主观的工作。近年来，计算机辅助诊断（CAD）系统已成为一种有前景的工具，可在日常临床实践中支持病理学家。然而，这些系统通常使用组织中 Gleason 级别的繁琐且易出错的像素级标注进行训练。为减轻手动像素级标注的需求，文献中仅提出了少量工作。受此启发，我们提出了一种基于自学习 CNN 的新型弱监督深度学习模型，该模型在训练时仅利用十亿像素全切片图像的全局 Gleason 评分，即可准确完成补丁级模式分级和活检级评分。为评估所提方法的性能，我们在三个不同的外部数据集上进行了补丁级 Gleason 分级的广泛实验，并在两个不同的测试集上进行了全局 Grade Group 预测。我们凭经验证明，我们的方法在补丁级 Gleason 分级上大幅优于其全监督对应方法，以及在全局活检级评分上优于最先进的方法。特别地，相较于全监督，所提模型在补丁级 Gleason 分级任务上的 Cohen 二次 $\kappa$（k）分数平均提升近 18%。