RACR-MIL: Rank-aware contextual reasoning for weakly supervised grading of squamous cell carcinoma using whole slide images
该论文提出了 RACR-MIL，这是一个基于注意力的弱监督多实例学习框架，该框架利用混合 WSI 图和秩排序约束，在跨多个解剖部位的鳞状细胞癌分级中实现了最先进的泛化能力和准确率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
癌症的诊断通常始于病理学家通过显微镜观察薄薄的组织切片，寻找揭示肿瘤侵袭性强弱的细微线索。对于一种常见的皮肤和器官癌变——鳞状细胞癌而言，这项任务异常困难。这种疾病在各处表现并不一致；单一样本可能同时包含生长缓慢的区域和快速扩散的区域，且两者交织在一起。传统上，医生根据样本中能发现的最糟糕区域来为整个样本定级，这一过程高度依赖人类经验，且不同医生之间可能会存在差异。为了实现标准化，科学家们转向人工智能，教计算机阅读全切片图像。然而，要教会计算机区分不同的严重程度是非常棘手的，因为计算机通常只能看到整个切片的最终诊断结果，而不会被告知该切片中哪些微小的点位是最危险的。
研究团队开发出一种新方法来解决这个问题，创建了一个能够模拟人类专家在对这些肿瘤进行分级时思维方式的系统。该方法并非将组织图像中的每个微小部分视为孤立的事实，而是构建了一张关于组织不同部分如何相互关联的地图。它理解癌细胞的行为取决于其邻居及其更广泛的环境。更重要的是，该系统旨在优先处理最危险的区域。正如人类病理学家知道一小块高度侵略性的细胞可以定义整个病例的严重程度一样，这个人工智能也被训练去寻找并加重衡量这些特定的高风险区域，而不是那些较平静、危险性较低的区域。通过结合对组织背景的深度理解与专注于最坏部分的严格规则，该系统实现了超越以往方法的准确度。
研究人员在来自皮肤、肺部和头颈部区域的数千份鳞状细胞癌患者组织样本上测试了这个新框架。他们将该系统与广泛的现有人工智能工具进行了对比，包括那些仅仅观察单个组织块或尝试以更基础方式连接它们的工具。结果很明确：这个新系统始终优于其竞争对手。它显著提高了分级的准确性，在其他方法难以处理的情况下，能够正确识别癌症的严重程度。或许最重要的一点是，它能更有效地找到最危险的癌细胞的确切位置。在测试中，它定位这些关键区域的效果比次优方法高出多达百分之十，这种差异对于试图决定治疗方案的医生来说至关重要。
这种方法之所以独特，在于它如何处理组织的复杂性。该系统在微小的图像块之间构建了两种不同类型的连接。一种类型将物理位置靠近的图像块联系起来，捕捉细胞相互作用的直接邻里环境，例如肿瘤如何向周围健康组织推进。另一种类型则连接看起来相似的图像块，即使它们在切片上相距甚远，从而允许系统识别可能散布在整个样本中的癌症生长模式。研究人员发现，将这两种类型的连接结合使用，比单独使用其中任何一种都能提供更丰富的图景。此外，该系统包含一个特定的机制，迫使它更加关注显示出严重疾病迹象的图像块。这确保了最终的诊断是由最关键的证据驱动，而不是迷失在整个切片的平均外观中。
为了观察这项技术是否能在实际诊所中发挥作用，研究人员邀请了两名专家病理学家，在有和没有人工智能辅助的情况下对一组病例进行了评审。在大多数情况下，医生发现该系统帮助他们提高了工作效率。它成功地标出了医生最初忽略或低估的肿瘤中最具侵略性的部分，促使他们将诊断修正为更准确、等级更高的级别。在其中一个案例中，系统在一个较大的、侵袭性较低的肿瘤中发现了一个微小且高度危险的区域，而医生此前忽略了这一点。虽然在少数情况下，系统对最坏区域的过度关注导致它错过了一些周围组织的细微差别，但整体反馈是积极的。医生们觉得这个工具就像一个可靠的助手，指引他们看向切片中最重要的部分，并缩短了得出确信结论所需的时间。
研究还观察了该系统在处理从未见过的数据（例如来自不同医院或使用不同机器扫描的组织样本）时的表现。这个新框架证明了其卓越的鲁棒性，即使在数据发生变化时也能保持高性能。这表明该系统学习的是癌症行为的基本规则，而不仅仅是记忆特定的图像。研究人员指出，虽然该系统并不完美且仍需要人类监督，但它代表了使癌症分级变得更加一致和可靠的重要一步。通过将计算机的逻辑与人类专家优先处理信息的方式相对齐，这项工作为在全球范围内实现更好、更快、更准确的癌症诊断提供了一条充满希望的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。