机器学习辅助病理图像分类以进行疾病诊断

发布时间：2024-08-22 16:43:10 栏目：生活

导读 双通道原型网络(DCPN)旨在基于有限的可用数据对病理图像进行有效分类，以有效地对罕见疾病进行分类(甚至诊断)在疾病诊断中，识别和干预可能

双通道原型网络(DCPN)旨在基于有限的可用数据对病理图像进行有效分类，以有效地对罕见疾病进行分类(甚至诊断)



在疾病诊断中，识别和干预可能是通过显微镜观察的结果。然而，当病理学家必须观察组织样本进行诊断时，显微镜检查可能非常耗时且费力，更不用说人为错误或偏见的可能性了。对于罕见疾病，问题就更加复杂了。这就是为什么需要干预以根据真实临床环境开发高质量数据集的原因。通过使用少量学习 (FSL) 来充分利用有限的数据情况，机器学习可以帮助分析和分类患者数据，从而创建一种通过病理图像建立患者诊断类别的首选方法，尤其是在罕见疾病方面。

研究人员于 6 月 7 日在《IEEE 生物医学与健康信息学杂志》上发表了他们的研究成果 。

“双通道原型网络(DCPN)利用自监督学习策略来

预训练 Transformer 模型，并与卷积神经网络结合，

可以有效地提取图像的多尺度原型表示，显著增强原型表示的泛化能力，”该研究的作者兼研究员崔晓宇说。

本研究介绍了一种使用机器学习技术 FSL 来帮助对病理图像进行分类的三部分方法。FSL 是一种机器学习技术，可训练模型进行预测，尤其是在数据稀缺的情况下。第一部分包括预训练金字塔视觉变换器 (PVT) 网络以进行医学图像分类。PVT 是一种常用于检测和分类图像的应用程序。PVT 可以获取小部分数据并减少信息长度以降低计算成本。然后，使用卷积神经网络 (CNN) 构建 DCPN。CNN是一种常用的机器学习程序，它试图模仿人类大脑进行决策(人工神经网络)，最适合用于识别图像中的模式。第三部分使用旨在结合每个分类器的预测概率(本质上是一种分类算法)的算法，称为“软投票”和多尺度特征(在图像内以不同空间尺度捕获的特征信息)，以满足少量分类的参数。这个逐步的过程完成了 DCPN 方法。

在三个公共数据集上运行的实验结果表明，与其他方法相比，使用 DCPN 具有明显的优势。此外，当涉及同一领域内的任务(例如，来自同一数据源和器官的数据)时，DCPN 的排名与传统的监督学习方法非常相似。虽然在涉及更复杂的跨领域任务时，原型的性能会下降，但可以通过后续的训练增强和调整来改进。

未来，DCPN 方法将得到大规模应用，从而将有效的少样本病理图像分类算法广泛应用于不同的临床环境中。虽然还需要做一些工作来提高模型的性能和稳健性，但希望随着成像和分类的改进，少量带注释的病理图像将不再成为医学进步和诊断罕见疾病的主要障碍。

东北大学医学与生物信息工程学院的全浩、李欣佳、南天航、崔晓宇以及国防科技大学计算机学院的胡大宇参与了这项研究。

该项研究得到了国家重点研发计划、宁波市自然科学基金、中央高校基本科研业务费专项资金以及辽宁省医学工程交叉联合基金的资助。