Multi-Cohort Framework with Cohort-Aware Attention and Adversarial Mutual-Information Minimization for Whole Slide Image Classification

要約

全スライド画像 (WSI) は、病理組織学的分析を含むさまざまな臨床アプリケーションにとって重要です。
ただし、この分野における現在の深層学習アプローチは主に個々の腫瘍タイプに焦点を当てており、モデルの一般化と拡張性が制限されています。
この比較的狭い焦点は、最終的には、組織病理学における固有の不均一性と、異なる腫瘍の多様な形態学的および分子的特徴に起因する。
この目的を達成するために、我々は、さまざまな腫瘍タイプの多様性を活用するように設計された、マルチコホート WSI 分析のための新しいアプローチを提案します。
当社では、コホート認識アテンション モジュールを導入し、共有された病理学的パターンと腫瘍固有の病理学的パターンの両方をキャプチャできるようにし、腫瘍間の汎化を強化します。
さらに、相互情報量の最小化を通じてコホート固有のバイアスを最小限に抑えるために、敵対的なコホート正則化メカニズムを構築します。
さらに、コホートの不均衡を軽減し、不偏な学習を促進するために、階層的なサンプルバランシング戦略を開発します。
これらは一緒になって、偏りのないマルチコホート WSI 分析のための一貫したフレームワークを形成します。
独自に構築された複数のがんデータセットに対する広範な実験により、一般化の大幅な改善が実証され、さまざまながんの種類にわたる WSI 分類のスケーラブルなソリューションが提供されます。
実験用のコードは で公開されています。

要約(オリジナル)

Whole Slide Images (WSIs) are critical for various clinical applications, including histopathological analysis. However, current deep learning approaches in this field predominantly focus on individual tumor types, limiting model generalization and scalability. This relatively narrow focus ultimately stems from the inherent heterogeneity in histopathology and the diverse morphological and molecular characteristics of different tumors. To this end, we propose a novel approach for multi-cohort WSI analysis, designed to leverage the diversity of different tumor types. We introduce a Cohort-Aware Attention module, enabling the capture of both shared and tumor-specific pathological patterns, enhancing cross-tumor generalization. Furthermore, we construct an adversarial cohort regularization mechanism to minimize cohort-specific biases through mutual information minimization. Additionally, we develop a hierarchical sample balancing strategy to mitigate cohort imbalances and promote unbiased learning. Together, these form a cohesive framework for unbiased multi-cohort WSI analysis. Extensive experiments on a uniquely constructed multi-cancer dataset demonstrate significant improvements in generalization, providing a scalable solution for WSI classification across diverse cancer types. Our code for the experiments is publicly available at .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google