深度多倍放大相似学习有助于组织病理学诊断

在临床应用中，病理学家通常结合不同倍率下的组织病理图像信息，即从亚核O (0.1 μ m)到细胞[≈O (10 μ m)]和细胞间[≈O (100 μ m)]，再到其他更大的组织[≈O (1mm)]进行诊断。

基于放大倍率的学习网络通常将不同放大倍率下的信息组合在一起，由于其提高组织病理分类性能的能力而引起了相当大的关注。

近日，中国科学院深圳先进技术研究院(SIAT)秦文健博士与深圳市第三人民医院罗伟仁教授团队、阿联酋大学Nazar Mustafa Zaki教授团队共同提出了一种新的深度多倍放大相似学习(DSML)方法，以提高组织病理学分类性能。

这项研究发表在IEEE生物医学与健康信息学杂志1月16日。

DSML侧重于肿瘤的组织病理学诊断深度学习关于数字病理学，它可以用于解释多放大学习框架，并且易于从低维(例如，细胞水平)到高维(例如，组织水平)可视化特征表示。

“它可以克服理解交叉放大信息传播的困难，”秦博士说。“它使用相似交叉熵损失函数来同时学习交叉放大之间信息的相似性。”

研究人员设计了不同的网络骨干和放大组合，以验证DMSL在临床鼻咽癌和公共乳腺癌BCSS2021数据集上的有效性。

他们还研究了它的翻译能力。结果表明，该方法具有较高的曲线下面积、准确率和f值，具有较好的分类效果。