基于对比学习的多尺度病理图像分析：面向神经母细胞瘤诊断的准确性与可解释性
计算机视觉与模式识别
2025-05-07 v3 人工智能
摘要
神经母细胞瘤来源于肾脏，是最常见的儿童实体恶性肿瘤之一，临床表现显著异质。及时准确地从 hematoxylin and eosin 染色的全切片图像中进行病理诊断对于患者预后至关重要。然而，当前诊断实践主要依赖于病理学家的主观手动检查，导致诊断准确性不一致。现有的自动化全切片图像分类方法面临可解释性差、特征提取能力有限和计算成本高等挑战，限制了其在临床实际部署。为克服这些限制，我们提出了 CMSwinKAN——一种基于对比学习的多尺度特征融合模型，专为病理图像分类而设计。该模型通过在其多层感知器和分类头模块中集成 Kernel Activation Network，显著提升了可解释性和准确性。通过多尺度特征融合和对比学习策略，CMSwinKAN 模拟了临床医生的综合方法，有效捕获全局和局部组织特征。此外，我们引入一种受临床洞见指引的启发式软投票机制，以无缝地将切片级预测引导至全切片图像级分类。我们在公开的 BreakHis 数据集和由本院建立的 PpNTs 数据集上验证了 CMSwinKAN。结果表明，CMSwinKAN 在大规模数据集上预训练的现有最先进病理学专用模型之上，表现更佳。我们的源代码已公开于 https://github.com/JSLiam94/CMSwinKAN。
引用
@article{arxiv.2504.13754,
title = {Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis},
author = {Zhu Zhu and Shuo Jiang and Jingyuan Zheng and Yawen Li and Yifei Chen and Manli Zhao and Weizhong Gu and Feiwei Qin and Jinhu Wang and Gang Yu},
journal= {arXiv preprint arXiv:2504.13754},
year = {2025}
}
备注
10pages, 8 figures