将组织学显微镜图像作为时间序列数据进行分类

作为癌症诊断的前线数据，显微镜组织学图像对于为患者提供快速准确的治疗至关重要。然而，尽管其实际价值巨大，深度学习社区仍大体上忽视了这些图像的使用。本文提出了一种新方法，将显微镜图像作为时间序列数据进行分类，解决其手动获取和弱标签特性所带来的独特挑战。该方法通过动态时间变形（DTW）将长度各异的图像序列适配到固定长度的目标。采用注意力机制的池化用于同时预测病例类别。我们通过与各种基线方法进行比较，展示了多种推理策略在实现稳定可靠结果方面的优势。消融研究进一步验证了每个组件的贡献。我们的做法不仅拥抱了显微镜图像，还将其提升到可信赖的性能水平。