基于 Transformer 的自监督学习用于缺血性脑卒中血栓来源的组织病理学分类
计算机视觉与模式识别
2024-05-03 v1 人工智能
机器学习
摘要
背景与目的：确定缺血性脑卒中血栓栓塞来源对于治疗和二级预防至关重要，但往往难以确定。本研究描述了一种在数字病理学中针对栓子的自监督深度学习方法，用于从组织病理学图像中对缺血性脑卒中血栓来源进行分类。方法：数据集包含来自 Kaggle STRIP AI 挑战赛的全切片图像（WSI），这些图像取自接受机械取栓术后的缺血性脑卒中患者的血栓。利用迁移学习和自监督预训练开发了基于 Transformer 的深度学习模型，用于对 WSI 进行分类。定制化改进包括注意力池化层、加权损失函数和阈值优化。测试并比较了各种模型架构，并主要使用加权对数损失评估模型性能。结果：该模型在交叉验证中达到了 0.662 的对数损失分数，在测试集上达到了 0.659。比较了不同的模型骨干网络，其中 swin_large_patch4_window12_384 表现出更高的性能。采用阈值技术进行血栓来源分类，以平衡假阳性与假阴性。结论：本研究展示了基于 Transformer 的深度学习模型在从组织病理学图像中识别缺血性脑卒中血栓来源方面的有效性程度，并强调需要专门针对血栓 WSI 改进建模技术。需要进一步的研究来提高模型性能、可解释性并验证其有效性。未来的改进可能包括整合更大的患者队列、先进的预处理策略，以及探索集成多模态方法以提高诊断准确性。
引用
@article{arxiv.2405.00908,
title = {Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin},
author = {K. Yeh and M. S. Jabal and V. Gupta and D. F. Kallmes and W. Brinjikji and B. S. Erdal},
journal= {arXiv preprint arXiv:2405.00908},
year = {2024}
}