数字病理切片半自动化质量保证：瓷砖分类方法

质量保证是数字病理学中的一个关键但未被充分探索的领域，即使存在轻微的缺陷也会产生显著影响。已显示，缺陷会对 AI 诊断模型的性能产生负面影响。当前实践中，受训人员在将这些切片发布给病理学家之前手动审查这些数字图像，而病理学家随后会据此作出诊断。常规图像处理方法为检测数字病理切片上的缺陷提供了基础。然而，当前工具未能利用深度学习，这有望提高检测精度和可扩展性。尽管已取得这些进展，但数字病理学中的质量保证方法仍有限，仍存在创新之余地。我们提出一种 AI 算法，旨在通过分析瓷砖并将其分类为 10 种预定义缺陷类型或背景来筛选数字病理切片。该算法识别并定位缺陷，创建一张地图，突出显示感兴趣区域。通过将人类操作员引导至受缺陷影响的特定瓷砖，该算法最小化了手动审查整个切片以发现质量问题所需的时间和 effort。从内部档案库和 The Cancer Genome Atlas 中选取了 133 张全切片图像，并使用内部开发的软件 ZAPP（Mayo Clinic, Jacksonville, FL）对 10 种缺陷进行了注释。对不同瓷砖大小和放大倍率的多个模型进行了消融研究。选定了 InceptionResNet。随后训练和测试了单个缺陷模型，随后训练了一个有限的多实例模型，用于检测彼此表现良好的缺陷（chatter、fold 和 pen）。基于本研究结果，我们建议一种混合设计用于缺陷筛选，由单一缺陷二元模型和多实例模型组成，以优化每种缺陷的检测。