药物安全评估中大规模肾损伤检测的自监督方法
计算机视觉与模式识别
2025-09-03 v1 图像与视频处理
定量方法
摘要
肾损伤检测是所有前临床药物开发中所必需的任务。这涉及对数百至数千张全切片图像进行耗时且成本高昂的检查，其中大多数图像为正常图像，以检测指示毒性作用的细微变化。在本研究中，我们首次提出一种用于肾毒理学病理学的大规模自监督异常检测模型，涵盖来自 158 个化合物的药物安全评估研究。我们探讨了在此规模下进行肾损伤检测的复杂性，使用从 UNI 基础模型（FM）中提取的特征，发现仅凭这些特征，基于 k-最近邻分类器的性能仅为随机水平，这表明 FM 生成的特征本身不足以检测异常。随后，我们证明应用自监督方法后，可实现超出随机水平的性能，受试者工作特征曲线下面积达到 0.62，负预测值达 89%。在进一步发展后，这类模型可用于排除药物安全评估研究中正常切片，从而降低药物开发的成本和时间。
引用
@article{arxiv.2509.00131,
title = {Self-supervised large-scale kidney abnormality detection in drug safety assessment studies},
author = {Ivan Slootweg and Natalia P. García-De-La-Puente and Geert Litjens and Salma Dammak},
journal= {arXiv preprint arXiv:2509.00131},
year = {2025}
}