.png){kind=icon}
返回
SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning
.png){kind=icon}
OA
AI
DOI：10.1038/s43018-025-01060-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间量化是大多数计算病理学任务中的关键步骤，从引导病理学家关注临床兴趣区域到发现新型生物标志物背后的组织表型。为避免手动注释的需求，现代计算病理学方法倾向于采用多实例学习（multiple-instance learning）方法，能够准确预测全视野图像（whole-slide image）标签，尽管这会以牺牲其空间感知能力为代价。本文从数学上证明了，采用实例级聚合（instance-level aggregation）的模型可以在不损害全视野图像预测性能的前提下实现更优的空间量化。随后，我们介绍了一种基于超图块（superpatch）的可测量多实例学习方法SMMILe，并在6种癌症类型、3种高度多样化的分类任务和涉及3,850张全视野图像的8个数据集上对其进行了评估。我们将SMMILe与9种现有方法进行了基准测试，采用了两种不同的编码器——ImageNet预训练编码器和病理学专用基础模型（pathology-specific foundation model），结果表明，在所有情况下，SMMILe均达到或超过了当前最先进的全视野图像分类性能，同时实现了出色的空间量化。Gao等人提出了SMMILe这一基于多实例学习的工具，利用全视野图像进行准确的空间量化而不损害分类性能，并证明其优于当前最先进的方法。
Keyword:
Spatial quantification
Multiple-instance learning
Digital pathology
Whole-slide image classification
Superpatch-based method
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
28.5
论文数:
1.2K
被引数:
1.1W
机构
引用论文
Enabling large-scale screening of Barrett's esophagus using weakly supervised deep learning in histopathology在组织病理学中使用弱监督深度学习实现Barrett食管的大规模筛查.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Biological insights and novel biomarker discovery through deep learning approaches in breast cancer histopathology通过深度学习方法在乳腺癌组织病理学中的生物学见解和新型生物标志物发现NPJ BREAST CANCEROAAI
NPJ BREAST CANCERIF7.6
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 MEDICINEOAAI
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A semi-supervised multi-task learning framework for cancer classification with weak annotation in whole-slide images一种半监督多任务学习框架，用于全幻灯片图像中具有弱注释的癌症分类MEDICAL IMAGE ANALYSIS
MEDICAL IMAGE ANALYSISIF11.8
PREAI
分享收藏Regression-based Deep-Learning predicts molecular biomarkers from pathology slides基于回归的深度学习预测病理切片中的分子生物标志物NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Derivation of prognostic contextual histopathological features from whole-slide images of tumours via graph deep learning通过图形深度学习从肿瘤的全幻灯片图像中推导预后上下文组织病理学特征
PREAI
分享收藏
查看更多内容