【资料图】

在临床应用中，病理学家通常结合不同放大倍率的组织病理学图像信息，即从亚核O(0.1 μ m)到细胞[≈O(10 μ m)]和细胞间[≈O(100 μ m)]，到其他较大的组织[≈O(1mm)]进行诊断。

基于放大倍数的学习网络通常组合不同放大倍率的信息，因其提高组织病理学分类性能的能力而受到广泛关注。

近日，由中国科学院深圳先进技术研究院(SIAT)的秦文健博士领导的研究团队，与深圳市第三人民医院的罗伟仁教授团队和阿拉伯联合酋长国大学的Nazar Mustafa Zaki教授团队一起，提出了一种新的深度多倍相似学习(DSML)方法，以提高组织病理学分类的性能。

该研究于16月<>日发表在IEEE生物医学与健康信息学杂志上。

DSML专注于通过数字病理学深度学习进行肿瘤组织病理学诊断，可用于解释多倍学习框架，并且易于可视化从低维(例如细胞水平)到高维(例如组织水平)的特征表示。

“它可以克服理解交叉放大倍率信息传播的困难，”秦博士说。“它使用相似叉熵损失函数指定来同时学习交叉放大倍率之间信息的相似性。

研究人员设计了不同的网络骨干和放大组合，以验证DMSL对临床鼻咽癌和公共乳腺癌BCSS2021数据集的有效性。

他们还调查了它的解释能力。结果表明，与其他同类方法相比，曲线下面积、精度和F得分值较高的分类方法在分类中表现更好。