顶刊阅读：组织病理学图像的癌症诊断与生存期预测基础模型

AI与医学 · 公众号 · · 2025-03-20 16:16

正文

请到「今天看啥」查看全文

点击👆蓝字或👇名片，关注"AI与医学"

前言

AI模型BEPH用自监督学习解锁了病理图像的秘密，能精准诊断癌症并预测生存期，为患者带来新希望，开启医疗技术新篇章！

一键复现算法实验！
✅ 强大数据分析平台
✅ 专业AI技术支持

大壮提供各种医学算法网站部署的业务，助力你发表顶刊。

如果需求联系大壮，微信：BigStrong-AI

文末扫描二维码，即可看到论文原文

病理高分论文比较多，这也是最近关注病理AI的原因。病理相对影像来说技术门槛高一些，算力要求也高，但是这些高分病理文章算法都有相似之处，建议多看，多参考，多模仿。研究是开源的，感兴趣可以把代码拉下来，优化优化，说不定又是一个新的研究

开源代码：
https://github.com/Zhcyoung/BEPH

01

论文信息

02

研究背景

计算病理学的发展 ：计算病理学利用WSI进行病理诊断，推动了智能医疗的发展。

面临的挑战 ：然而，标注数据的稀缺性和组织学差异阻碍了现有方法的广泛应用。

03

研究介绍

一、目的

本研究研究旨在开发BEPH模型，通过自监督学习提升病理图像分析性能，降低对专家标注的依赖，促进人工智能在临床环境中的广泛应用。

二、方法

1、 模型开发与架构

开发了BEPH模型，基于BEiT架构，利用自监督学习对1100万张未标注组织病理学图像进行预训练，学习有意义的图像表示。

展示了BEPH的架构，含预训练和下游任务微调架构。

2、 模型训练

（1）预训练 ：采用掩码图像建模（MIM）方法，对自然图像和病理图像进行预训练，初始化网络权重，进一步在TCGA数据集上预训练，学习病理图像的通用表示。

（2）微调：在多种分类和预测任务中对BEPH进行微调，包括块级癌症诊断、WSI级癌症分类和多种癌症亚型的生存预测。
3、 模型评估
（1）块级（patch）分类 ：使用BreakHis数据集进行二分类评估，通过五个随机实验，比较不同方法在患者水平和图像水平的平均准确率。

展示了块数据集的性能评估，直观对比BEPH与其他方法。

（2） WSI级分类 ：在肾细胞癌（RCC）、非小细胞肺癌（NSCLC）和乳腺癌（BRCA）亚型分类任务中，采用10折交叉验证评估模型性能，使用接收者操作特征曲线下的面积（AUC）作为评估指标。

展示了WSI级分类结果，通过AUC值直观呈现模型性能。

（3）生存预测 ：基于自监督特征提取器和弱监督训练，训练生存风险回归模型CLAMSurvival，在六种不同癌症类型中评估预测能力，使用C指数作为评估指标。

展示了生存预测结果，包括六种癌症的C指数和患者分层生存曲线，直观呈现BEPH在生存预测中的表现。

4、 模型可视化与解释

通过UMAP降维和PCA降维可视化特征空间，使用注意力分数生成热力图，解释模型预测。

展示了BEPH的可解释性和可视化效果，通过热力图和特征空间可视化帮助理解预测依据。

5、 消融实验

通过改变掩码比例等参数，评估预训练的有效性。

04

研究结果

1、 块级（）分类

（1）在BreakHis数据集的二分类任务中，BEPH在患者水平和图像水平的平均准确率均达到94%以上，高于其他CNN模型、弱监督模型和自监督模型。

（2）在LC25000数据集的三个肺癌亚型分类任务中，BEPH的平均准确率达到99.99%。

2、 WSI级分类

在RCC、NSCLC和BRCA亚型分类任务中，BEPH均取得了优异的10折平均测试AUC，分别为0.994、0.946和0.970，优于其他模型。

3、 生存预测

（1）在六种癌症的生存预测任务中，BEPH的C指数均高于其他模型，平均性能提升1.1%至5.5%。

（2） BEPH能够显著区分高风险和低风险患者，在多种癌症上p值小于0.05。

4、 模型可视化与解释

（1） BEPH的特征提取能力在UMAP降维后得到验证，不同类别的图像块在特征空间中能够聚类成不同簇。

（2）注意力热力图显示BEPH能够准确识别肿瘤区域，与病理学家的标注高度一致。

5、 消融实验

（1）验证了病理图像预训练和MIM在预训练中的有效性，BEPH在不同任务上均优于仅在ImageNet-1K上预训练的模型。

（2）掩码比例的调整对模型性能有显著影响，40%的掩码比例在各项任务中表现最佳。

05

学习心得

技术创新 ：BEPH模型采用自监督学习和掩码图像建模，解决标注数据稀缺问题，提升性能和泛化能力。

数据预处理 ：有效的预处理是模型训练基础，合理利用数据增强技术，提高模型鲁棒性和准确性。

模型评估 ：多任务评估验证BEPH性能，在不同任务中取得优异结果，证明其通用性和有效性。

模型解释性 ：可视化技术增强模型可解释性，有助于临床应用推广。

消融实验 ：验证预训练策略和模型参数影响，为优化提供依据，如掩码比例对性能有显著影响。

应用潜力 ：BEPH在多种癌症上的成功应用，展示其广泛应用前景，为未来研究和临床实践提供新思路。

感谢您的阅读，如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用，请继续关注我们，我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦！👍🔄

排版：焖子 编辑： 大壮 审稿： 大壮

注：本文仅用于分享相关 学术论文研究，如存在侵权，请告知，及时删

论文ID：250312，下载二维码:

往期推文

论文速读：Artif Intell Med 多模态深度学习改善儿科低级别胶质瘤的复发风险预测

顶刊速读:《Radiology》大规模验证GPT-4作为头部CT报告校对工具的可行性

顶刊速读&大模型:《THE LANCET Digital Health》 GPT-4能读懂医疗笔记了？

顶刊速读:《Nat Med》瘫痪患者用脑机接口控制飞行器游戏

顶刊速看:Nature Med 基于AI和超声的卵巢癌检测：一项国际多中心研究

顶刊速看:IF=9.4 基于影像组学的体成分分析在肝细胞癌患者1年生存预后中的作用

香港理工：EyeGPT—眼科专属大模型

顶刊速读:《Brain》抑郁症的大尺度病变症状映射识别风险和韧性能力大脑区域

顶刊速读:《Nat Med》瘫痪患者用脑机接口控制飞行器游戏