[Nat. Biomed. Eng. | 论文简读] 基于自监督深度学习的全切片病理图像快速可扩展搜索

简读分享 | 陈兴民 编辑 | 陈兴民

论文题目

Fast and scalable search of whole-slide images via self-supervised deep learning

论文摘要

数字病理学的采用使得管理数十亿像素全切片病理图像(WSIs)的大型存储库成为可能。在不需要监督训练的情况下，在大型存储库中计算识别具有相似形态特征的WSIs具有重要的应用价值。然而，搜索相似WSIs的算法的检索速度往往与资源库的大小成正比，这限制了它们的临床和研究潜力。本文展示了可以利用自监督深度学习以独立于存储库大小的速度搜索和检索WSIs。作者将该算法命名为SISH(用于自我监督的组织学图像搜索)，并作为一个开源包提供，它只需要用于训练的图像级注释，将WSIs编码为有意义的离散潜在表示，并利用树数据结构进行快速搜索，然后使用基于不确定性的排序算法进行WSI检索。作者在多个任务(包括基于组织补丁查询的检索任务)和超过22,000例患者病例和56种疾病亚型的数据集上评估SISH。SISH还可以用于帮助罕见癌症类型的诊断，对于这些癌症类型，可用的WSIs数量往往不足以训练有监督的深度学习模型。

论文链接

https://www.nature.com/articles/s41551-022-00929-8