癌症病理诊断新突破：基于全切片图像（WSI）的集成识别框架

研究人员为解决 WSI 病理诊断难题，提出集成框架，显著提升肿瘤分类准确率。

　　在癌症病理诊断中，分析全切片图像（WSI）面临着诸如无效数据、不同放大倍数下组织特征各异以及大量难样本等挑战。多实例学习（MIL）是解决基于 WSI 的病理诊断中弱监督分类问题的有力工具。然而，现有的 MIL 框架无法同时应对这些问题。为了迎接这些挑战，研究人员提出了一个集成识别框架，该框架由三个相辅相成的部分组成：一种预处理选择方法、一个用于多实例学习的高效特征金字塔网络（EFPN）模型以及一种相似性焦点损失（Similarity Focal Loss）。预处理选择方法能够精准识别并挑选出具有代表性的图像补丁，有效减少无效数据的干扰，提高后续模型训练的效率。受病理学家诊断过程的启发，EFPN 模型通过构建多尺度特征金字塔，捕捉 WSI 图像中不同的组织特征，增强了模型识别肿瘤组织特征的能力。此外，相似性焦点损失通过聚焦难样本、强调分类边界信息，进一步提升了模型的判别力和泛化性能。在 CAMELYON16 和两个私人数据集上进行的二元肿瘤分类测试中，准确率分别达到了 93.58%、84.74% 和 99.91%，均优于现有技术。