基于弱监督的人工智能技术，用于全切片图像中的多癌种淋巴结转移检测

《Nature Communications》：Weakly supervised artificial intelligence for multi-cancer detection of lymph node metastasis on whole slide images

　　

摘要

准确识别淋巴结转移对于癌症的诊断和治疗至关重要，但这一过程对病理学家来说既耗时又容易出错。我们提出了MambaMIL+HiLA-MIL模型，这是一种结合了Vision Mamba技术与高低注意力分离机制的多实例学习模型。该模型在四种特征提取器（ResNet、UNI、Virchow和GigaPath）的支撑下与六种基准模型进行了比较，评估采用十折交叉验证法。结果表明，我们的模型性能显著优于所有基准模型。它在检测孤立肿瘤细胞和微转移方面表现出色，同时在处理阴性样本和宏观转移病例时也能保持较高性能。此外，该模型在多种癌症类型及不同特征提取器条件下检测淋巴结转移时仍具有良好稳定性。其中，UNI和GigaPath的性能明显优于ResNet和Virchow。研究表明，MambaMIL+HiLA-MIL是一种适用于多种癌症的四类淋巴结转移检测模型，它在不同机构和不同特征提取器环境下均展现出高效率与强稳定性，可作为一种可靠的工具用于临床淋巴结转移分类。