换一批ABMIL-BiGRU:基于双向门控循环注意力多示例学习的乳腺癌淋巴结转移可解释性预测
ABMIL-BiGRU:bidirectional gated recurrent unit attention based multi-instance learning for interpretable prediction of sentinel lymph node metastasis in breast cancer
摘要针对千兆像素乳腺癌病理全切片图像分类和病灶定位的问题,提出基于双向门控循环注意力多示例学习(ABMIL-BiGRU)模型对H&E染色的乳腺癌淋巴结转移图像进行可解释性预测.该方法通过两个正交的双向门控循环单元分别建立图像块行方向和列方向特征间的长短距离依赖关系,从而实现图像块空间位置和上下文信息的嵌入,再通过注意力多示例池化来量化每个特征表示的注意力分数,从而实现全切片图像级特征聚合并生成可解释性热图.研究结果表明,ABMIL-BiGRU模型在乳腺癌转移数据集上的平均准确率和AUC值分别为0.9186和0.9467,不仅实现全切片图像的高精度预测和感兴趣区域定位,而且还提供图像块级别的人类可解释的特征,该模型在一定程度上解决了"准确性-可解释性权衡"问题,其优越性能为计算机辅助诊断和智能系统的临床应用提供新的范式.
更多相关知识
关键词
乳腺癌淋巴结转移精准诊断双向门控循环单元上下文信息可解释性全切片图像breast cancerlymph node metastasisprecise diagnosisbidirectional gated recurrent unitcontextual informationinterpretabilitywhole slide image
栏目名称
DOI
10.3969/j.issn.1005-202X.2025.02.006
发布时间
2025-02-28（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
