Il framework ABMIL utilizza modelli foundation per la previsione del pattern di crescita del LUAD
Una recente indagine introduce un framework di apprendimento multiplo basato sull'attenzione (ABMIL) volto a prevedere il pattern di crescita principale nell'adenocarcinoma polmonare (LUAD) utilizzando immagini di intere sezioni, riducendo al minimo la dipendenza da annotazioni estese. Questo metodo impiega modelli foundation patologici pre-addestrati come encoder di patch, che possono essere sia affinati che mantenuti congelati. I risultati indicano che gli encoder affinati migliorano le prestazioni, con Prov-GigaPath che raggiunge il punteggio kappa più alto di 0,699 nell'ambito del framework ABMIL. Rispetto ai metodi di base di aggregazione di patch, ABMIL offre previsioni più affidabili. I risultati sono stati pubblicati su arXiv (2604.21530).
Fatti principali
- La gradazione dell'adenocarcinoma polmonare dipende dall'identificazione dei pattern di crescita.
- Gli approcci comuni di deep learning richiedono annotazioni estese.
- Il framework ABMIL prevede il pattern di crescita predominante del LUAD a livello di intera sezione.
- Integra modelli foundation patologici pre-addestrati come encoder di patch.
- Gli encoder affinati migliorano le prestazioni.
- Prov-GigaPath ha raggiunto il più alto accordo (kappa = 0,699) con ABMIL.
- ABMIL produce previsioni più robuste rispetto ai metodi di base di aggregazione di patch.
- Pubblicato su arXiv con ID 2604.21530.
Entità
Istituzioni
- arXiv