CAMIL: 基于上下文的多示例学习用于大规模切片图像分类

May, 2023

CAMIL: 基于上下文的多示例学习用于大规模切片图像分类

CAMIL: Context-Aware Multiple Instance Learning for Whole Slide Image Classification

Olga Fourkioti, Avi Arampatzis, Chen Jin, Mat De Vries, Chris Bakal

TL;DR本研究开发了一种新的深度学习池化操作符 —— CHARM，以提高癌症诊断的准确性和可解释性，实验结果证明其在非小细胞肺癌和淋巴结转移的亚型识别方面优于其他弱监督分类算法。

Abstract

Cancer diagnoses typically involve human pathologists examining whole slide images (WSIs) of tissue section biopsies to identify tumor cells and their subtypes. However, artificial intelligence (AI)-based models, particularly weakly supervised approaches, have recently emerged as viabl

cancer diagnosis artificial intelligence weakly supervised classification deep learning histopathology attention resolved model

发现论文，激发创造

利用多个实例学习在整个切片图像中找到感兴趣区域

通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他 AI 架构，并在不同放大级别下显示对形态特征的不同敏感性。

Apr, 2024

多尺度领域对抗多实例 CNN 用于未注释组织病理学图像癌症亚型分类

本文提出了一种利用深度学习中的多例、领域对抗和多尺度学习框架，从组织病理学图像中识别癌症亚型的新方法，并在 196 个病例中测试，表明该方法比标准 CNN 或传统方法更准确，且与标准病理学家的准确性相当。

Jan, 2020

基于全切片图像的肿瘤生存预测：基于注意力引导的深度多示例学习网络

此研究提出了一种名为 DeepAttnMISL 的多实例深度学习方法，通过引入两种方式（siamese MI-FCN 和 attention-based MIL pooling）从 WSI 中高效地学习图像特征，然后将 WSI 级别的信息聚合到患者级别。该方法适用于大型数据集，并具有更好的可解释性，可用于癌症患者风险评估和个性化医疗。

Sep, 2020

上下文感知自监督学习整张切片图像

本文提出了一种通过将全切片图像 (WHIs) 表示为图来进行肿瘤诊断的方法，使用图卷积网络 (GCN) 捕获 WSI 中的上下文依赖关系，并使用自监督学习获取无标签数据的训练增强。这种方法利用节点表示 WSI 的 patch，是一种包含上下文信息的模型方案，相比于现有方法或基于多实例学习（MIL）的方案实现了性能的提升。

Jun, 2023

全切片影像上数据有效和弱监督计算病理学

CLAM 是一种易于使用、高吞吐量和可解释的基于深度学习的弱监督学习方法，它可以在只需要幻灯片级别标签的情况下处理大规模组织切片图像，并且可以用于多种不同的计算病理学任务。

Apr, 2020

如病理医师一般诊断：变形金刚启用的分层注意力引导多示例学习用于全切片图像分类

提出了一个全局利用 WSI 的 Hierarchical Attention-Guided Multiple Instance Learning 框架，该框架动态地、全面地发现了 WSIs 的多个分辨率上的显著区域，同时使用 Integrated Attention Transformer（由多个 Integrated Attention Modules 组成）进一步提高了 transformer 的性能，实验表明，该方法在多个数据集上取得了最先进的表现。

Jan, 2023

基于弱监督学习的病理切片整体分类

该研究提出了一种基于病理先验的多实例学习框架，通过数据增强方法和空间相关性分析，能够有效地用于癌症检测和亚型区分的医学图像分类任务。

Jul, 2023

Long-MIL: 面向组织病理学全切片图像分析的长上下文多实例学习的扩展

本文提出了一种改良位置嵌入的长上下文 WSI 方法，通过引入线性偏差来处理形状变化的大 WSI，并将其从 1 维长序列适应到 2 维长上下文 WSI 中，用于模型对未见或欠拟合位置的外推；同时利用闪存注意力模块解决 Transformer 的计算复杂性问题，保持了全自注意力的性能。通过在 4 个数据集上进行 WSI 分类和生存预测任务的广泛实验证明了我们方法在形状变化的 WSIs 上的优越性。

Nov, 2023

克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测，比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

Dec, 2020

应用多示例学习和基于梯度的解释改进全切片成像辅助诊断工具的可解释性

在医学领域，深度学习方法已得到广泛应用。而深度学习方法面临的下一个重要挑战是解释性，即如何解释模型的决策。本文针对整个切片图像分类的情境，提出了一种基于梯度法、特征可视化和多实例学习等方法的解释性方法，旨在解释如何基于瓦片级别的评分做出决策、如何决定这些瓦片得分以及用于任务的哪些功能是相关的。通过在 Camelyon-16 整个切片图像数据集上进行训练，突出区分性特征的学习，并通过病理学家的验证，我们提出了一种基于提取特征的新型计算解释性幻灯片级别热图的方法。此方法的实验结果显示，该方法可以提高 AUC 的瓦片级分类性能达 29% 以上

Sep, 2020