.png){kind=icon}
返回
Ranking-Aware Multiple Instance Learning for Histopathology Slide Classification: Development and Validation Study
.png){kind=icon}
PRE
AI
DOI：10.2196/84417.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：多实例学习（MIL）广泛应用于数字病理中的幻灯片级分类，而无需专家标注。然而，即使是部分专家标注也提供了有价值的监督；目前很少有研究在MIL框架内有效利用这些信息。目的：本研究旨在开发和评估一种排名感知的MIL框架，称为排名诱导，该框架有效整合部分专家标注以在现实标注约束下提高幻灯片级分类性能。方法：我们开发了排名诱导，一种通过受RankNet启发的成对排名损失整合专家标注的MIL方法。该方法鼓励模型为标注区域分配比未标注区域更高的注意力分数，引导其关注具有诊断相关性的图块。我们在2个公开数据集（Camelyon16和DigestPath2019）和1个内部数据集（Seegene Medical Foundation-stomach；SMF-stomach）上评估了排名诱导，并测试了其在3种现实条件下的鲁棒性：低数据环境、幻灯片内粗略标注和稀疏幻灯片级标注。结果：排名诱导优于现有方法，在Camelyon16上达到0.839的受试者工作特征曲线下面积（AUROC），在DigestPath2019上达到0.995，在SMF-stomach上达到0.875。在低数据条件下仍保持鲁棒性，仅使用60.2%（130/216）的训练数据时AUROC为0.761。使用粗略标注（带有2240像素填充）时，性能略有下降至0.823。值得注意的是，仅标注20%（18/89）的幻灯片就足以达到近饱和性能（AUROC为0.806，与完全标注的0.839相比）。结论：通过基于排名的监督整合专家标注可改善基于MIL的分类。排名诱导即使在标注有限、粗略或稀疏的情况下仍保持鲁棒性，证明了其在现实场景中的实用性。
Keyword:
multiple instance learning
learning to rank
digital pathology
whole slide image
weakly supervised learning
mixed supervision
data-efficient training
期刊
IF:
3.8
论文数:
1.5K
被引数:
4.3K
机构
引用论文
Improving quality control in the routine practice for histopathological interpretation of gastrointestinal endoscopic biopsies using artificial intelligence.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏Clinical-grade computational pathology using weakly supervised deep learning on whole slide images在整个幻灯片图像上使用弱监督深度学习的临床级计算病理学NATURE MEDICINE
OAAI
NATURE MEDICINEIF50
OAAI分享收藏Data-efficient and weakly supervised computational pathology on whole-slide images全载玻片图像上的数据高效和弱监督计算病理学OAAI
OAAI分享收藏
查看更多内容