根据全玻片组织病理学图像对儿科脑肿瘤分类进行临床知情建模

从组织病理学开始，准确诊断儿科脑肿瘤给深度学习带来了独特的挑战，包括严重的数据匮乏、类别不平衡以及诊断上不同亚型之间的细粒度形态重叠。虽然病理学基础模型具有先进的补丁级表示学习，但它们在有限数据下对弱监督的儿科脑肿瘤分类的有效适应仍有待探索。在这项工作中，我们介绍了一种专家指导的对比 微调 框架，用于通过全幻灯片图像 (WSI) 诊断儿科脑肿瘤。我们的方法将对比学习集成到幻灯片级多实例学习（MIL）中，以明确规范下游 微调 期间幻灯片级表示的几何形状。我们提出了一般监督对比设置和专家指导的变体，其中结合了针对诊断上易混淆的亚型的临床知情的硬阴性。通过在现实的低样本和类别不平衡条件下对儿科脑肿瘤 WSI 分类进行综合实验，我们证明对比 微调 在细粒度诊断区分方面产生了可测量的改进。我们的实验分析揭示了不同对比策略之间的互补优势，专家指导的硬阴性促进了更紧凑的类内表示和改进的类间分离。这项工作强调了在数据稀缺的儿科病理学环境中明确塑造幻灯片级表示以实现稳健的细粒度分类的重要性。