SMILE：用于多中心 STAS 肺癌组织病理诊断的尺度感知多实例学习方法
计算机视觉与模式识别
2025-03-19 v1 人工智能
摘要
通过气隙扩散(STAS)代表着一种新近确认的肺癌激进模式，已知与不良预后因素和复杂病理特征相关。目前病理学家依赖耗时的手动评估，这些评估高度主观且容易产生变异。这凸显了迫切需要自动化和精确诊断解决方案的需求。我们收集了来自多个中心的 2,970 例肺癌组织切片，并对其进行重新诊断，构建并公开发布了三个肺癌 STAS 数据集：STAS CSU(医院)、STAS TCGA 和 STAS CPTAC。所有 STAS 数据集都提供相应的病理特征诊断和相关临床数据。为解决 STAS 的偏差、稀疏和异构性问题，我们提出了一种针对肺癌 STAS 诊断的尺度感知多实例学习(SMILE)方法。通过引入尺度自适应注意力机制，SMILE 能够自适应地调整高注意力实例，减少对局部区域的过度依赖，促进 STAS 病灶的一致检测。大量实验表明，SMILE 在 STAS CSU 上实现了具竞争力的诊断结果，分别在 CPTAC 和 TCGA 中诊断了 251 和 319 个 STAS 样本，超越了临床平均 AUC。11 个开放基线结果是首次为 STAS 研究确立的，为未来扩展、可解释性和临床集成计算病理技术的发展奠定了基础。数据集和代码均可在 https://anonymous.4open.science/r/IJCAI25-1DA1 提供。
引用
@article{arxiv.2503.13799,
title = {SMILE: a Scale-aware Multiple Instance Learning Method for Multicenter STAS Lung Cancer Histopathology Diagnosis},
author = {Liangrui Pan and Xiaoyu Li and Yutao Dou and Qiya Song and Jiadi Luo and Qingchun Liang and Shaoliang Peng},
journal= {arXiv preprint arXiv:2503.13799},
year = {2025}
}