.png){kind=icon}
返回
Top-Down Attention-Based Multiple Instance Learning for Whole Slide Image Analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04927-8_62.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多实例学习（MIL）已成为计算病理学（CPath）中全切片图像分析的默认标准方法。虽然实例级注意力倾向于忽略实例间的相关性，自注意力可以捕捉这些交互，但仍然对特定任务不敏感。为解决此问题，我们引入了基于自上而下注意力机制的多实例学习（TDAMIL），该架构首先通过初始推理步骤中的自注意力从数据中学习通用表示，然后通过特征选择模块识别任务相关的实例，最后通过将选定的实例重新注入注意力机制进行第二次推理步骤来优化这些表示。通过聚焦于任务特定信号，TDA-MIL能够有效识别每个切片内细微但重要的区域，从而实现更精确的分类。在乳腺癌淋巴结转移检测、不同器官微卫星不稳定性生物标志物筛选以及乳腺癌HER2分子状态预测等广泛实验中，TDA-MIL始终优于其他MIL基准方法，凸显了我们提出的任务相关聚焦策略的有效性及其在CPath任务中的广泛应用前景。我们的实现代码已发布于https://github.com/agentdr1/TDA_MIL。
Keyword:
Computational Pathology
Multiple Instance Learning
Metastasis Detection
Molecular Status Prediction
Biomarker Screening
期刊
机构
引用论文
Feature Re-Embedding: Towards Foundation Model-Level Performance in Computational Pathology特征重新嵌入: 迈向计算病理学中的基础模型级性能
PREAI
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Transformer-based biomarker prediction from colorectal cancer histology: A large-scale multicentric study基于变压器的结直肠癌组织学生物标志物预测: 一项大规模多中心研究.png)
Cancer CellOAAI
Cancer CellIF0
OAAI分享收藏分享收藏From Detection of Individual Metastases to Classification of Lymph Node Status at the Patient Level: The CAMELYON17 Challenge从检测个体转移到患者水平的淋巴结状态分类: CAMELYON17挑战OAAI
OAAI分享收藏Towards a general-purpose foundation model for computational pathology迈向计算病理学的通用基础模型NATURE MEDICINE
OAAI
NATURE MEDICINEIF50
OAAI分享收藏
查看更多内容