Aug, 2024

病理学中幻灯片表征学习的多染色预训练

HTML
PDF
TL;DR本研究解决了现有幻灯片表征学习方法在临床和生物多样性方面的局限。通过引入多模态预训练策略Madeleine，该方法利用多标记染色的幻灯片形成丰富的无任务信号，从而提高学习的表征质量。研究结果表明，Madeleine在包括形态学分类和预后预测在内的多个下游任务上表现优异，具有广泛的临床应用潜力。
发现论文，激发创造
  • 自监督视觉Transformer在组织病理学中学习视觉概念

    本文通过训练多种自监督模型，发现采用基于DINO知识蒸馏的Vision Transformers模型能够实现对组织形态学特征进行有效解释，在多个弱监督和补丁级任务上进行了验证。

    Mar, 2022

  • 可训练原型增强的多示例学习用于全切片图像分类

    该研究论文提出了一种基于原型学习和多实例学习的Trainable Prototype enhanced deep MIL (TPMIL) 框架，用于弱监督下的WSI分类，其不需要依赖于选定的图像补丁，能够更准确地识别肿瘤亚型。

    May, 2023

  • 一种面向计算病理学的通用自监督模型

    使用超过100万个组织样本预训练的自我监督模型UNI，在计算病理学中取得了巨大的突破，具有分辨率无关的组织分类、少样本类别原型的幻灯片分类以及疾病亚型分类等新的建模能力，为解决解剖病理学中各种具有挑战性的任务和临床工作流提供了数据高效、泛化和迁移能力的人工智能模型。

    Aug, 2023

  • 利用聚类约束改善组织病理学图像的表征学习

    最近整个切片图像（WSI）扫描仪和计算能力的进展显著推动了人工智能在组织病理学切片分析中的应用。

    Oct, 2023

  • 自我监督学习全尺寸切片表示的框架

    自我监督整个切片学习（S3L）框架可以通过利用整个切片的固有区域异质性、组织学特征变异性和信息冗余性来学习高质量的整个切片表示，用于癌症诊断和基因突变预测等诊断任务，并且在两种生物医学显微镜条件下显著优于基线模型。

    Feb, 2024

  • 超越多实例学习：全分辨率全内存端到端病理切片建模

    人工智能（AI）在大规模数字化临床数据集上训练系统以提高健康结果方面具有巨大潜力。计算病理学作为对诊断和生物标志物具有重大影响的大量显微镜图像数据，处于这一发展的前沿。百亿像素病理学切片由于其巨大的尺寸而面临独特挑战，通常被分成数万个较小的瓷砖进行分析。我们提出了一种新方法，通过在内存中全面高分辨率地同时训练瓷砖编码器和整个切片聚合器来解决这个问题，弥合了输入和切片级监督之间的差距。虽然计算成本更高，但详细的定量验证显示了病理基础模型的大规模预训练的前景。

    Mar, 2024

  • 计算病理学中的基于转录组学指导的幻灯片表示学习

    使用自监督学习和基因表达谱进行多模态预训练，Tangle可以在组织学图像中构建幻灯片嵌入，并且在性能上优于有监督和无监督基线模型。

    May, 2024

  • 计算病理学中无监督切片表示学习的形态原型化

    利用PANTHER方法从病理全切片图像中学习表征，在无监督的方式下利用组织中的形态冗余建立了一种无特定任务的滑片表征，通过评估在13个数据集上的亚型和生存任务，证明了PANTHER在性能和模型可解释性方面的优势。

    May, 2024

  • 通过染色标准化增强整体幻灯片病理基础模型

    本研究解决了数字病理学中基础模型泛化能力不足的问题，特别是针对特征聚类现象（WSI特定特征崩溃）。我们提出了一种新的模型，经过染色标准化处理，从而使模型学习到更一致的特征。实验结果显示，该模型在多个下游任务中显著减少了特征崩溃现象，提高了模型的效率和泛化能力。

    Aug, 2024

  • 通过染色规范化增强整体幻灯片病理基础模型

    本研究解决了基础病理模型在数字病理中的特征聚类问题，即WSI特定特征崩溃，这影响了模型的泛化能力和性能。作者提出的染色规范化病理基础模型通过对拼接区域进行染色规范化，显著提升了模型学习更一致特征的能力，实验证明该模型在多个下游任务中表现优异，表明其泛化能力得到了明显改善。

    Aug, 2024