Data-efficient and weakly supervised computational pathology on whole-slide images.
Data-efficient and weakly supervised computational pathology on whole-slide images.
复制标题
全切片图像上的数据高效和弱监督计算病理学。
DOI：
10.1038/s41551-020-00682-w
复制
发表时间：
2021-06
影响因子：
28.1
通讯作者：
Mahmood F
中科院分区：
文献类型：
--
作者：
Lu MY;Williamson DFK;Chen TY;Chen RJ;Barbieri M;Mahmood F
用于计算病理学的深度学习方法需要手动注释千兆像素全载玻片图像（WSI）或具有载玻片级别标签的WSI的大型数据集，并且通常具有较差的域适应性和可解释性。在这里，我们报告了一种可解释的弱监督深度学习方法，用于数据高效的WSI处理和学习，只需要幻灯片级别的标签。该方法，我们命名为聚类约束注意力多实例学习（CLAM），使用基于注意力的学习来识别具有高诊断价值的子区域，以准确地对整个幻灯片进行分类，并在识别出的代表性区域上进行实例级聚类，以约束和细化特征空间。通过将CLAM应用于肾细胞癌和非小细胞肺癌的亚型以及淋巴结转移的检测，我们表明它可以用于在不需要空间标签的情况下定位WSI上的已知形态特征，它优于标准的弱监督分类算法，并且它适用于独立的测试队列，智能手机显微镜和不同的组织内容。
Deep-learning methods for computational pathology require either manual annotation of gigapixel whole-slide images (WSIs) or large datasets of WSIs with slide-level labels and typically suffer from poor domain adaptation and interpretability. Here we report an interpretable weakly supervised deep-learning method for data-efficient WSI processing and learning that only requires slide-level labels. The method, which we named clustering-constrained-attention multiple-instance learning (CLAM), uses attention-based learning to identify subregions of high diagnostic value to accurately classify whole slides and instance-level clustering over the identified representative regions to constrain and refine the feature space. By applying CLAM to the subtyping of renal cell carcinoma and non-small-cell lung cancer as well as the detection of lymph node metastasis, we show that it can be used to localize well-known morphological features on WSIs without the need for spatial labels, that it overperforms standard weakly supervised classification algorithms and that it is adaptable to independent test cohorts, smartphone microscopy and varying tissue content.
登录
查看更多内容
影响因子：
10.6
作者：
Mahmood F;Borders D;Chen RJ;Mckay GN;Salimian KJ;Baras A;Durr NJ
通讯作者：
Durr NJ
影响因子：
82.9
作者：
Chen, Po-Hsuan Cameron;Gadepalli, Krishna;Stumpe, Martin C.
通讯作者：
Stumpe, Martin C.
影响因子：
78.8
作者：
Bera, Kaustav;Schalper, Kurt A.;Madabhushi, Anant
通讯作者：
Madabhushi, Anant
影响因子：
64.8
作者：
Esteva A;Kuprel B;Novoa RA;Ko J;Swetter SM;Blau HM;Thrun S
通讯作者：
Thrun S
影响因子：
22.7
作者：
Kather JN;Heij LR;Grabsch HI;Loeffler C;Echle A;Muti HS;Krause J;Niehues JM;Sommer KA;Bankhead P;Kooreman LF;Schulte JJ;Cipriani NA;Buelow RD;Boor P;Ortiz-Brüchle NN;Hanby AM;Speirs V;Kochanny S;Patnaik A;Srisuwananukorn A;Brenner H;Hoffmeister M;van den Brandt PA;Jäger D;Trautwein C;Pearson AT;Luedde T
通讯作者：
Luedde T