Deze studie presenteert RareCode, een ongesuperviseerd deep learning-framework dat anomalieën in histopathologische beelden van colorectale kanker detecteert door de Codebook Activation Rarity (CAR) te analyseren, met het potentieel om pre-screening te ondersteunen zonder gelabelde trainingsgegevens.
Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Onderzoeksartikel
RareCode: Een unsupervised deep learning-framework voor anomaliedetectie in histopathologische beelden van colorectale kanker
In dit artikel
Samenvatting
Samenvatting
Ongecontroleerde anomaliedetectie in histopathologische beelden is uitgebreid onderzocht met behulp van reconstructiegebaseerde benaderingen die reconstructiefouten meten, maar deze methoden slagen er vaak niet in om subtiele, semantische pathologische variaties vast te leggen vanwege de inherente heterogeniteit van weefseltexturen. Om deze beperking aan te pakken, presenteert deze studie RareCode, een op vectorquantisatie gebaseerd raamwerk dat het detectieparadigma uitbreidt voorbij reconstructie op pixelniveau om analyse van codeboekactivatie op semantisch niveau te integreren. De kerninnovatie is de Codebook Activation Rarity (CAR)-scoring, die de activatiefrequentie van elke codeboekvermelding profileert tijdens training op uitsluitend normale monsters en infrequent activaties markeert als anomalie-indicatoren tijdens de inferentiefase, waardoor reconstructiefouten worden aangevuld met discriminatie op semantisch niveau. Voortbouwend op dit CAR-mechanisme op één schaal, wordt verder een Multi-scale Hierarchical Codebook (MHC)-module geïntroduceerd, die codeboeken van verschillende groottes met leerbare fusiegewichten gebruikt om pathologische patronen vast te leggen die variëren van grove structuren op weefselniveau tot fijne details op cellulair niveau. Door gebruik te maken van het multi-schaal ontwerp worden hiërarchische anomalie-heatmaps gegenereerd bij elke codeboekgranulariteit, wat pathologen interpreteerbare, multidimensionale visuele lokalisatie-aanwijzingen biedt die aangeven waar en op welk structureel niveau anomalieën voorkomen. Vijfvoudige kruisvalidatie op een klinisch geannoteerde dataset van histopathologische beelden van colorectale kanker, verkregen van het Shenzhen People's Hospital, toont aan dat RareCode een area under the curve (AUC) van 96,82% behaalt, waarmee het beter presteert dan de baseline-methoden. Per-klasse analyse toonde een sterkere prestatie voor cancerdetectie (AUC = 9,44%, specificiteit = 94,21%) dan voor ontstekkingsdetectie (AUC = 94,30%, specificiteit = 60,4%). Deze bevindingen suggereren dat CAR-analyse een veelbelovende ongecontroleerde benadering kan bieden voor histopathologische anomaliedetectie, wat mogelijk kan helpen bij klinische prescreening bij de diagnose van colorectale kanker.
Inleiding
Betrouwbare histopathologische screening op colorectale kanker blijft beperkt door de noodzaak van expertannotatie en handmatige beoordeling, vooral wanneer inflammatoire laesies en maligniteiten overlappende morfologie vertonen1,2. Deze beperkingen stimuleren de ontwikkeling van ongesuperviseerde computationele benaderingen die leren van normaal weefsel zonder dat uitputtende annotaties van abnormale weefsels vereist zijn3,4.
De klinische urgentie van geautomatiseerde histopathologische screening wordt onderstreept door de groeiende disbalans tussen de diagnostische vraag en de beschikbare pathologische expertise, waarbij de diagnostische werkdruk per Amerikaanse patholoog in een enkel decennium met meer dan 40% is gestegen terwijl het aantal pathologen bleef afnemen5. Bij colorectaal carcinoom (CRC) zijn georganiseerde screeningsprogramma's geassocieerd met sterftecijferreducties van 29-68%6, maar de capaciteit voor handmatige pathologische beoordeling blijft beperkt door de beschikbaarheid van personeel. Een geautomatiseerd prescreeningssysteem dat verdachte gevallen betrouwbaar identificeert voor prioritaire beoordeling zou kunnen helpen deze druk te verlichten en de doorlooptijden van de diagnostiek te verbeteren. Het implementeren van dergelijke systemen vereist echter zowel een hoge sensitiviteit om het missen van fout-negatieven te voorkomen als een adequate specificiteit om overmatige vals-positieve meldingen te vermijden7.
Ongecontroleerde anomaliedetectie (unsupervised anomaly detection, UAD) is steeds relevanter geworden in de medische beeldanalyse8 omdat het normale weefseldistributies kan modelleren zonder dat er abnormale trainingslabels nodig zijn3,9,10. Op reconstructie gebaseerde modellen, waaronder autoencoders, variational autoencoders, generative adversarial networks en geheugen-geaugmenteerde varianten, identificeren anomalieën via reconstructiefouten, maar decoders met een hoge capaciteit kunnen abnormale regio's nog steeds met hoge getrouwheid reconstrueren1,12,13,14,15,16,17. Kenmerkgebaseerde methoden zoals PatchCore en PaDiM maken gebruik van vooraf getrainde representaties, hoewel kenmerken die zijn geleerd van natuurlijke afbeeldingen mogelijk microscopische atypie in de histopathologie niet volledig vatten18,19,20,21. Pathologiestudie-specifieke foundation-modellen en diffusie-gebaseerde anomaliedetectoren bieden krachtige alternatieven, maar hun data-vereisten of computationele kosten kunnen hun directe gebruik bij high-throughput screening beperken2,23. Recente geautomatiseerde en evolutionaire methoden, zoals EvoAAE24 en MoARNN-AM25, illustreren verder de waarde van adaptieve modeloptimalisatie voor anomaliedetectie, hoewel hun toepassingscontexten verschillen van histopathologische beeldanalyse. In contrast hiermee leggen methoden op basis van vectorquantisatie (VQ) discrete codebook-beperkingen op die identity mapping kunnen verminderen; bestaande VQ-gebaseerde benaderingen vertrouwen echter nog steeds primair op ruimtelijke reconstructiefouten en benutten de semantische informatie die besloten ligt in codebook-activatiepatronen onvoldoende26,27.
Hoewel de bovengenoemde methoden veelbelovende prestaties vertonen in algemene domeinen, staat hun toepassing op complexe histopathologische scenario's voor specifieke uitdagingen. Histopathologische beelden worden gekenmerkt door complexe weefselheterogeniteit over meerdere structurele niveaus28. In de praktijk wordt beeldanalyse gewoonlijk uitgevoerd op lokale beeldfragmenten die uit weefselcoupes zijn geëxtraheerd, en pathologische diagnostiek is inherent cross-scale: pathologen beoordelen de klier- en weefselmorfologie bij lage vergroting, terwijl ze nucleair pleomorfisme en mitosefiguren bij hoge vergroting onderzoeken29. Wij identificeren drie belangrijke beperkingen van de huidige benaderingen: Ten eerste vertonen pathologische anomalieën en normaal weefsel een hoge gelijkenis in visuele kenmerken op laag niveau, zoals kleuringsstijlen en lokale texturen, waardoor reconstructiegebaseerde methoden er niet in slagen subtiele anomalieën te detecteren, aangezien zowel normale als abnormale monsters een vergelijkbare reconstructiekwaliteit op semantisch niveau kunnen produceren. Ten tweede maken de meeste bestaande methoden gebruik van feature-extractie op één enkele schaal, waardoor het moeilijk is om gelijktijdig abnormale kenmerken op zowel weefsel- als cellulair niveau vast te leggen30,31. Ten derde kunnen mainstream methoden weliswaar heatmaps op pixelniveau genereren, maar slagen ze er vaak niet in om de hiërarchische kenmerken van anomalieën intuïtief vast te leggen, wat het nut van dergelijke modellen als klinische diagnostische hulpmiddelen beperkt.
Om de bovenstaande uitdagingen aan te pakken, stellen wij RareCode voor, een UAD-framework dat codeboek-activatiepatronen en hiërarchische feature-representatie op meerdere abstractieniveaus onderzoekt. Het framework introduceert drie hoofdcomponenten: (1) het Codebook Activation Rarity (CAR) Scoring Mechanism, dat zeldzaamheidsscores berekent op basis van activatiefrequenties van vermeldingen die uitsluitend op normale monsters zijn getraind, waardoor normale monsters van anomale monsters op semantisch niveau worden onderscheiden en complementaire discriminerende signalen worden geleverd ten opzichte van traditionele ruimtelijke reconstructiefouten. (2) de Multi-scale Hierarchical Codebook (MHC) Fusion Architecture, die pathologische kenmerken op meerdere granulariteitsniveaus vastlegt — van grove structurele patronen tot fijnmazige cellulaire details — door gebruik te maken van codeboeken met variërende capaciteiten, waarbij adaptieve fusie wordt bereikt via leerbare gewichten. (3) de Hierarchical Interpretable Localization Module, die de multi-schaalarchitectuur benut om anomalie-heatmaps op verschillende granulariteiten te genereren, waardoor pathologen worden voorzien van multi-schaal semantisch interpreteerbare diagnostische referentiekaders.
De primaire hypothese van deze studie was dat activatiefrequentieprofielen van codeboeken, afgeleid van codeboeken die uitsluitend zijn getraind op normale colorectale histopathologische beelden, semantische informatie die relevant is voor anomalieën zouden coderen die verder gaat dan de reconstructiefout op pixelniveau, en dat multi-schaalintegratie van deze complementaire signalen de discriminatie van beelden met kankereus of inflammatoir weefsel ten opzichte van normale beelden zou verbeteren vergeleken met representatieve UAD-methoden, primair beoordeeld op basis van de AUC. Om deze hypothese te testen, hebben we RareCode geëvalueerd met behulp van 5-voudige kruisvalidatie op een klinisch geannoteerde CRC-dataset en hebben we ablatie- en lokalisatieanalyses uitgevoerd om de bijdragen en interpreteerbaarheid van de kerncomponenten te onderzoeken.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Protocol
Deze studie werd goedgekeurd door de Commissie voor Klinisch Onderzoek en Ethische Zaken van het Shenzhen People's Hospital (Goedkeuringsnummer LL-KY-2025300-01). De verplichting tot het verkrijgen van geïnformeerde toestemming werd opgeheven door de ethische commissie, aangezien dit retrospectieve onderzoek gebruikmaakte van bestaande histopathologische afbeeldingen en klinische materialen zonder directe patiëntcontacten of interventies. Alle klinische gegevens en histopathologische afbeeldingen werden geanonimiseerd vóór analyse, en er werden geen persoonsgegevens gebruikt in dit onderzoek. Alle voor dit onderzoek gebruikte gegevens werden verwerkt overeenkomstig de ethische normen van de instellingsspecifieke en nationale onderzoekscommissies.
Kaderoverzicht
De algehele architectuur van het voorgestelde UAD-kader, RareCode, is geïllustreerd in Figuur 1Het kader maakt gebruik van een parallelle dual-branch-architectuur. Voor elke 512 x 512 ingangsafbeelding worden niet-overlappende 32 x 32 en 64 x 64 patches geëxtraheerd als respectievelijk fijnschalige en grofschalige ingangen. De 64 x 64 patches worden eerst herschaald naar 32 x 32 voordat ze aan het netwerk worden doorgegeven, zodat beide branches dezelfde encoder-decoder ingangsgrootte delen terwijl ze verschillende receptieve velden behouden. Encoders in elke branch projecteren de geëxtraheerde kenmerken naar een latente ruimte, waar de MHC-module discretisatiebeperkingen oplegt. Vervolgens reconstrueren decoders de afbeelding uit gekwantiseerde kenmerken om reconstructiefouten in het ruimtelijke domein te berekenen. Het CAR-mechanisme meet vervolgens de mate van semantische afwijking door codebookactiveringsfrequenties in kaart te brengen. Tot slot combineert het model reconstructiescores en CAR-scores via een gewogen combinatie om afbeeldingsniveau afwijkingscores te verkrijgen. Het RareCode-kader wordt end-to-end getraind met uitsluitend normale samples en vereist geen annotaties van afwijkingen. De dual-branch-architectuur werd gebruikt om zowel lokale cellulaire kenmerken als bredere klierstructuren te kunnen vastleggen. De MHC-module werd gebruikt om deze kenmerken te modelleren met codebooks van verschillende capaciteit.
Encoder-decoder-architectuur
RareCode construeert structureel onafhankelijke encoders en decoders voor de fijnschalige en grofschalige takken. Elke tak gebruikt hetzelfde encoder-decoderontwerp, maar deelt geen parameters. De encoder bestaat uit vier convolutieblokken, elk bestaande uit een 3 × 3-convolutie, batchnormalisatie, ReLU-activatie en dropout. De kanaalbreedte neemt toe van 64 naar 128, vervolgens naar 256, en de uiteindelijke feature map wordt afgevlakt en geprojecteerd naar een 64-dimensionale latente representatie. De decoder weerspiegelt de encoder met een volledig verbonden projectielaag, gevolgd door vier getransponeerde convolutielagen, waarbij elke patch wordt gereconstrueerd naar de oorspronkelijke invoergrootte van het netwerk. De reconstructiefout wordt berekend als de gemiddelde kwadratische fout tussen de invoer en de gereconstrueerde patches. Door deze encoder-decoderstructuur te combineren met discrete codebookbeperkingen, leert RareCode compacte representaties van normaal weefsel en meet het afwijkingen tijdens inferentie.
Multischaal hiërarchische codeboek
Om ziekteverschijnselen vast te leggen op meerdere niveaus van abstractie—van brede weefselstructuren tot gelokaliseerde cellulaire variaties—de MHC-module maakt gebruik van K discrete codeboeken 
met verschillende capaciteiten n1, n2, ..., nK. In de uiteindelijke FourScales-configuratie bevat elke tak vier codeboeken met respectievelijk 64, 128, 256 en 512 invoerposities, waarbij elke codeboekinvoerpositie een 64-dimensionale embedding heeft. Voor elke gecodeerde patch-feature wordt de dichtstbijzijnde codeboekinvoerpositie geselecteerd op basis van Euclidische afstand. De gekwantiseerde uitvoer van de verschillende codeboeken wordt vervolgens samengevoegd met behulp van leerbare gewichten die genormaliseerd zijn over de codeboeken heen. Kleinere codeboeken, vanwege de sterkere compressiebeperkingen, worden verwacht grofkorrelige, prototypische patronen te coderen die lokale variaties abstract weergeven, terwijl grotere codeboeken fijnkorreligere kenmerken behouden die specifiekere structurele eigenschappen vastleggen. Voor elk codeboek 
, waarbij ek(i) 
Rd geeft de i-de insluitingsvector in het k-de codeboek aan, continue kenmerken worden via opzoeking van de dichtstbijzijnde buur (Eq. 1 en 2) afgebeeld op de discrete codeboekruimte:
Om adaptieve fusie van multischaalkenmerken te realiseren, introduceren we leerbare gewichten. Na softmax-normalisatie wordt een gewogen sommatie uitgevoerd over de gekwantiseerde uitvoer van elk codeboek (verg. 3):
waar σ(·) staat voor de softmax-functie, die ervoor zorgt dat de gewichten voldoen aan Σk σ(wk) = 1. Dit ontwerp stelt het model in staat om automatisch de bijdrageverhoudingen van codeboeken op verschillende granulariteitsniveaus aan te passen op basis van de semantische inhoud van de invoerkenmerken.
Om het leerproces van de codeboekoptimalisatie te verbeteren, gebruiken we de standaard VQ-verliesfunctie (Vgl. 4):
waar sg[·] duidt de stop-gradiëntoperatie aan, en β = 0,25 is de gewichtscoëfficiënt van het commitment-verlies. De eerste term stimuleert codeboekvectoren om zich te bewegen richting de uitvoer van de encoder, terwijl de tweede term de uitvoer van de encoder stimuleert om consistent te blijven met hun overeenkomstige codeboekvectoren. Het volledige mechanisme van multi-schaal VQ is geïllustreerd in Figuur 2.
Beoordeling van de zeldzaamheid van codeboekactivatie
CAR meet semantische afwijkingen op basis van codeboek-activatiestatistieken, geschat uit normale trainingsvoorbeelden. Na het trainen van het model werden alle normale trainingsafbeeldingen zonder gegevensverrijking door de encoder en de MHC-module geleid. Voor elke tak en elk codeboek werd de toewijzingsindex van elke patch-feature geregistreerd, en het aantal toewijzingen aan elk codeboek-element werd geteld. De tellingen werden vervolgens genormaliseerd om de activatiefrequentieverdeling voor dat codeboek te verkrijgen (Vgl. 5):
Tijdens de inferentie werd elke testafbeelding verwerkt via dezelfde procedure van patch-extractie, codering en toewijzing aan het dichtstbijzijnde codewoordenboek. Voor elke toegewezen codewoordenboekvermelding wordt de zeldzaamheidsscore berekend als de negatieve logaritme van de activeringsfrequentie in de normale trainingsset (Vgl. 6):
waar ε is een kleine constante die wordt gebruikt voor numerieke stabiliteit. Een codeboekitem met lage frequentie krijgt derhalve een hogere zeldzaamheidsscore, wat suggereert dat de overeenkomstige patch-feature minder consistent is met de geleerde verdeling van normaal weefsel. Zeldzaamheidsscores op patch-niveau werden gemiddeld binnen elk beeld en over de fijne en grove schaalstructuren heen om een beeldniveau-zeldzaamheidsrespons te verkrijgen.
Om de activatiefrequentierariteit aan te vullen, berekenen we ook een percentielgebaseerde kwantisatie-afstandsscore (Eq. 7):
Deze score is afgeleid van de Euclidische afstand tussen elke gecodeerde kenmerkvector en de dichtstbijzijnde codeboekvermelding. De afstandsverdeling wordt geschat op basis van normale trainingsmonsters, en de afstanden van testmonsters worden omgezet in percentielscores. Hogere percentielscores geven aan dat het gecodeerde kenmerk moeilijker is weer te geven met behulp van de geleerde prototypen van het normale codeboek.
De uiteindelijke CAR-score combineert activatiezeldzaamheid en kwantisatie-afstand over alle codeboeken heen, gebruikmakend van de leerbare codeboekgewichten (Eq. 8):
Dezelfde genormaliseerde codebookgewichten die worden gebruikt voor multischaalfusie van kenmerken, worden toegepast op fusie op scoresniveau, waardoor consistentie wordt behouden tussen representatieleren en afwijkingsscorering. De resulterende CAR-score wordt op afbeeldingsniveau berekend en vervolgens gecombineerd met de reconstitutiescore om de uiteindelijke afwijkingsscore te verkrijgen. Het algehele CAR-scoringsmechanisme is geïllustreerd in Figuur 3.
Definitieve berekening van de anomalie-score
We combineren fouten in de ruimtelijke reconstitutie met semantische CAR-scores. Voordien worden beide scores afzonderlijk genormaliseerd met behulp van percentielgebaseerde min-max-normalisatie om de invloed van extreme uitbijters te verkleinen. De uiteindelijke anomalie-score op beeldniveau wordt vervolgens gedefinieerd als (Vgl. 9):
waar Sreconstructie geeft de genormaliseerde gemiddelde kwadratische reconstructiefout aan, die de reconstructiekwaliteit van de sample in pixelruimte weerspiegelt; SCAR is de CAR-score zoals hierboven beschreven, die graden van semantische afwijking weergeeft. De hyperparameter α [0,1] regelt de relatieve weging tussen de twee componenten, waarbij optimale waarden worden bepaald op validatiesets.
Trainingsdoelstelling
Het RareCode-framework wordt end-to-end getraind met alleen normale samples. Het totale trainingsverlies bestaat uit de volgende componenten (Vgl. 10):
Elke term is als volgt gedefinieerd: Reconstructieverlies: 
, het meten van de gemiddelde kwadratische fout tussen invoerpatches p en gereconstrueerde patches D(zq) na kwantisering. Dit verlies wordt afzonderlijk toegepast op de 32 × 32-patch tak (
) en 64 × 64 patch-vertakking (
) om effectief leren van kenmerken op beide ruimtelijke schalen te waarborgen.
Beschrijving van de dataset
Om RareCode te evalueren, zijn experimenten uitgevoerd op een klinisch geannoteerde histopathologische beeldverzameling van colorectale kanker (CRC) die beelden bevat van colorectale weefselsecties gekleurd met hematoxyline en eosine (H&E)&E), verkregen van Shenzhen People's ziekenhuis. Alle afbeeldingen in deze dataset zijn afkomstig van echte klinische gevallen. De afbeeldingen zijn gedigitaliseerd bij 40x vergroting met een oorspronkelijke resolutie van 1024 × 1024 pixels. Om de betrouwbaarheid en kwaliteit van de annotaties te waarborgen, zijn alle labels van de steekproefcategorieën gezamenlijk beoordeeld en bevestigd door twee of meer senior professionele pathologen volgens een dubbelblinde protocol.
Op basis van histopathologische kenmerken werd de dataset onderverdeeld in drie klassen: normaal weefsel (1.226 afbeeldingen), kanker (1.215 afbeeldingen) en ontsteking (1.214 afbeeldingen). In de binaire UAD-instelling werden kanker- en ontstekingsmonsters beschouwd als afwijkend, terwijl normale monsters dienden als referentieverdeling. Deze formulering weerspiegelt de beoogde triagetask om gevallen die verdere pathologische beoordeling vereisen, te scheiden van gevallen die morfologisch normaal zijn.
Alle H&E-gekleurde afbeeldingen werden herschaald naar 512 × 512 pixels voordat ze als netwerkinput worden gebruikt. Voor de evaluatie werd gestratificeerde 5-voudige kruisvalidatie toegepast. In elke vouw werden de normale monsters eerst verdeeld in trainings-, validatie- en aparte testdeelverzamelingen. RareCode werd uitsluitend getraind op de normale trainingsmonsters. De validatiedeelverzameling, die eveneens uitsluitend normale monsters bevatte, werd gebruikt voor modelselectie, afstemming van hyperparameters en selectie van het fusiegewicht αDe apart gehouden testset, bestaande uit niet eerder gezien normale monsters en afwijkende monsters waaronder kanker en ontsteking, werd uitsluitend gebruikt voor de definitieve beoordeling van de prestaties en niet gebruikt voor het trainen van het model, de selectie van hyperparameters of α selectie. De representatieve categorieën, de opbouw van de dataset en het validatieprotocol zijn weergegeven in Figuur 4.
Implementatiedetails
Het voorgestelde RareCode-framework en de vergelijkingsmodellen zijn geïmplementeerd met behulp van PyTorch. Alle experimenten zijn uitgevoerd op een werkstation uitgerust met een enkele NVIDIA GeForce RTX 4060 Ti GPU (16 GB). Voor de configuratie van de netwerkarchitectuur, om kenmerken op verschillende ruimtelijke schalen te kunnen vastleggen, verwerkt de dual-branch architectuur niet-overlappende patches op twee schalen: 32 × 32 pixels (kleiner receptief veld, lokale textuurstrepen vastleggend) en 64 × 64 pixels (groter receptief veld, waardoor een breder ruimtelijk verband wordt vastgelegd), respectievelijk. De continue dimensie van de functie-embedding die door beide takencoders wordt geproduceerd, is uniform ingesteld op 64. In de MHC-module configureren we vier codeboeken met verschillende capaciteiten voor elke tak, met discrete prototype-aantallen van respectievelijk 64, 128, 256 en 512.
Tijdens de optimalisatie werd het netwerk end-to-end getraind gedurende 50 epochs met een batchgrootte van 8. We gebruiken de AdamW-optimizer voor gewichtsupdates, met een initiële leersnelheid van 5 × en gewichtsverval om overfitting te voorkomen. Daarnaast werd, om een vlotte convergentie tijdens de training te garanderen, gebruikgemaakt van een leerfrequentie-schema met cosinus-annealing, waardoor een fijnere optimalisatie in latere trainingsfases mogelijk werd. De patch-groottes en codeboek-groottes werden geselecteerd om een balans te bieden tussen multi-schaalrepresentatie en computationele kosten. De uiteindelijke FourScales-configuratie werd ondersteund door ablatie-analyse, en α werd geselecteerd op basis van de validatieset alvorens de testset te evalueren.
Voor de afbraak van de decodercomplexiteit is een variant met een complexe decoder geïmplementeerd op basis van de FourScales-configuratie. Deze variant gebruikte dezelfde datasplitsing, codeboekgroottes, trainingsepochs, optimizer, leerfrequentie, op validatie gebaseerde α selectie en evaluatiemetingen als het FourScales-model. De basise decoder werd vervangen door een EMCAD-stijl decoder met multi-schaal depthwise convolutieblokken en Convolutional Block Attention Modules (CBAM). Na elk van de eerste drie getransponeerde-convolutie-omhoogsamplingstappen, parallel 3 × 3, 5 × 5 en 7 × 7 diepteconvoluties werden toegepast, gevolgd door 1 × 1 puntsgewijze fusie, batchnormalisatie, ReLU-activatie, een residuverbinding en CBAM-aandacht. CBAM omvatte kanaalaandacht op basis van gemiddelde- en max-poolingdescriptoren en ruimtelijke aandacht met behulp van een 7 × 7 convoluties. De laatste fase maakte gebruik van getransponeerde convolutie en sigmoid-activatie om 32 te reconstrueren × 32 patches.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Resultaten
Vergelijking met basismethoden
Om het RareCode-framework te evalueren, werden meerdere representatieve UAD-methoden geselecteerd als basismethoden, variërend van reconstructie-gebaseerde methoden (CAE32, VAE12, SAE33, MAE34, PatchSAE35), geheugenversterkte reconstructie (MemAE36), kennisdistillatie (STFPM37), synthetische anomaliegen...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Discussie
De resultaten suggereren dat codeboek-activatiepatronen complementaire informatie kunnen bieden ten opzichte van ruimtelijke reconstructiefouten. De verbetering van NoCAR naar het volledige FourScales-model ondersteunt de potentiële bijdrage van CAR-scoring, terwijl de geselecteerde fusiegewichten erop wijzen dat semantische zeldzaamheid een belangrijke rol kan spelen in de uiteindelijke anomaliescore. Een mogelijke verklaring is dat CRC-gerelateerde abnormaliteiten verschillende morfologische schalen kunnen beslaan, van...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Openbaarmakingen
De auteurs verklaren dat zij geen bekende concurrerende financiële belangen of persoonlijke relaties hebben die invloed zouden hebben kunnen uitoefenen op het in dit artikel beschreven werk. Tijdens de voorbereiding van dit werk hebben we ChatGPT gebruikt om de taal en leesbaarheid van het manuscript te verbeteren en om te helpen bij het genereren van code voor datavisualisatie. Na het gebruik van dit instrument hebben we de inhoud waar nodig beoordeeld en bewerkt, en dragen we de volledige verantwoordelijkheid voor het gepubliceerde artikel.
Dankbetuigingen
Dit onderzoek werd ondersteund door het Yong Dai Academician's Workstation (Diagnostic Technology for Autoimmune Diseases) (Wan Ke Science and Technology [2023] No. 317), het Graduate Innovation Fund Project van het Hefei National Research Center for Health Science and Technology Joint Research Center for Occupational Medicine and Health Open Fund (No.OMH-2023-04) en het Clinical and Translational Research Project van de provincie Anhui (No.20242761020132).
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| GeForce RTX 4060 Ti GPU | NVIDIA | N/A | 16 GB VRAM; één GPU gebruikt voor alle experimenten (RRID:SCR_02858) |
| Matplotlib | Matplotlib-ontwikkelteam | Versie 3.8.4 | Datavisualisatie en figuurgeneratie (RRID:SCR_08624) |
| NumPy | NumPy-ontwikkelaars | Versie 1.26.4 | Numerieke informatica en array-bewerkingen (RRID:SCR_0863) |
| pandas | pandas-ontwikkelteam | Versie 2.2.3 | Dataorganisatie en tabulaire resultaatverwerking (RRID:SCR_018214) |
| Kussen | Bijdragers aan de Python Imaging Library / Pillow | Versie 10.3.0 | Afbeeldingladen en preprocessing |
| Python | Python Software Foundation | Versie 3.12.3 | Programmeertaal gebruikt voor modelontwikkeling en data-analyse (RRID:SCR_08394) |
| PyTorch | Meta Platforms, Inc. | Versie 2.7.0+cu18 | Deep learning-framework gebruikt voor modelimplementatie en -training (RRID:SCR_018536) |
| scikit-learn | scikit-learn-ontwikkelaars | Versie 1.4.2 | Kruisvalidatie, train-test splitting en evaluatiemetrieken (RRID:SCR_0257) |
| SciPy | SciPy-ontwikkelaars | Versie 1.13.1 | Statistische analyse (RRID:SCR_08058) |
| torchvision | PyTorch-project | Versie 0.2.0+cu18 | Beeldvoorverwerking en datatransformatie |
| tqdm | tqdm-ontwikkelaars | Versie 4.6.4 | Monitoring van de voortgang van training en evaluatie |
Referenties
- Fan J, Sun Q, Di Y, et al. DIPathMamba: A domain-incremental weakly supervised state space model for pathology image segmentation. Med Image Anal. 2025;103:103563.
- Nan T, Zheng S, Qiao S, et al. Deep learning quantifies pathologists' visual patterns for whole slide image diagnosis. Nat Commun. 2025;16(1):5493.
- Lagogiannis I, Meissen F, Kaissis G, et al. Unsupervised pathology detection: a deep dive into the state of the art. IEEE Trans Med Imaging. 2024;43(1):241-252.
- Tian Y, Liu F, Pang G, et al. Self-supervised pseudo multiclass pre-training for unsupervised anomaly detection and segmentation in medical images. Med Image Anal. 2023;90:102930.
- Metter DM, Colgan TJ, Leung ST, et al. Trends in the US and Canadian pathologist workforces from 2007 to 2017. JAMA Netw Open. 2019;2(5):e194337.
- Shaukat A, Levin TR. Current and future colorectal cancer screening strategies. Nat Rev Gastroenterol Hepatol. 2022;19(8):521-531.
- Ancker JS, Edwards A, Nosal S, et al. Effects of workload, work complexity, and repeated alerts on alert fatigue in a clinical decision support system. BMC Med Inform Decis Mak. 2017;17(1):36.
- Litjens G, Kooi T, Ehteshami Bejnordi B, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88.
- Stepec D, Skocaj D. Unsupervised detection of cancerous regions in histology imagery using image-to-image translation. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2021:3785-3792.
- Li Y, Lao Q, Kang Q, et al. Self-supervised anomaly detection, staging and segmentation for retinal images. Med Image Anal. 2023;87:102805.
- Hinton GE, Salakhutdinov RR. Reducing the dimensionality of data with neural networks. Science. 2006;313(5786):504-507.
- Kingma DP, Welling M. Auto-encoding variational Bayes. In: Proceedings of the 2nd International Conference on Learning Representations (ICLR). 2014.
- Goodfellow IJ, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. In: Advances in Neural Information Processing Systems. 2014;27:2672-2680.
- Lu S, Zhang W, Zhao H, et al. Anomaly detection for medical images using heterogeneous auto-encoder. IEEE Trans Image Process. 2024;33:2770-2782.
- Yang Z, Zhang T, Soltani Bozchalooi I, et al. Memory-augmented generative adversarial networks for anomaly detection. IEEE Trans Neural Netw Learn Syst. 2022;33(6):2324-2334.
- Huyan N, Quan D, Zhang X, et al. Unsupervised outlier detection using memory and contrastive learning. IEEE Trans Image Process. 2022;31:6440-6454.
- Jézéquel L, Beaudet J, Histace A, et al. Unified anomaly detection via multi-scale contrasted memory. IEEE Trans Image Process. 2026;35:2802-2815.
- Roth K, Pemula L, Zepeda J, et al. Towards total recall in industrial anomaly detection. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022:14298-14308.
- Defard T, Setkov A, Loesch A, et al. PaDiM: a patch distribution modeling framework for anomaly detection and localization. In: International Conference on Pattern Recognition. Cham: Springer; 2021:475-489.
- Zingman I, Stierstorfer B, Lempp C, et al. Learning image representations for anomaly detection: application to discovery of histological alterations in drug development. Med Image Anal. 2024;92:103067.
- Jiang Y, Cao Y, Shen W. Prototypical learning guided context-aware segmentation network for few-shot anomaly detection. IEEE Trans Neural Netw Learn Syst. 2025;36(7):12016-12026.
- Wang X, Zhao J, Marostica E, et al. A pathology foundation model for cancer diagnosis and prognosis prediction. Nature. 2024;634(8035):970-978.
- Frotscher A, Kapoor J, Wolfers T, et al. Unsupervised anomaly detection in medical imaging using aggregated normative diffusion. Med Image Anal. 2026;109:103895.
- Zeng GQ, Yang YW, Lu KD, et al. Evolutionary adversarial autoencoder for unsupervised anomaly detection of industrial Internet of Things. IEEE Trans Reliab. 2025;74(3):3454-3468.
- Lu KD, Zhang BX, Xu Y, et al. MoARNN-AM: multi-objective automated recurrent neural network with attention mechanism for cyber-attack detection of UAV. IEEE Trans Consum Electron. 2026;72(1):1738-1749.
- van den Oord A, Vinyals O, Kavukcuoglu K. Neural discrete representation learning. In: Advances in Neural Information Processing Systems. 2017;30:6306-6315.
- Ghafourian A, Shui H, Upadhyay D, et al. Targeted collapse regularized autoencoder for anomaly detection: black hole at the center. IEEE Trans Neural Netw Learn Syst. 2025;36(6):10348-10358.
- Gao Z, Mao A, Dong Y, et al. SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning. Nat Cancer. 2025;6(12):2025-2041.
- Wang X, Liu H, Zhang Y, et al. Joint modeling histology and molecular markers for cancer classification. Med Image Anal. 2025;102:103505.
- Jin H, Shen J, Cui L, et al. Dynamic graph based weakly supervised deep hashing for whole slide image classification and retrieval. Med Image Anal. 2025;101:103468.
- Schmitz R, Madesta F, Nielsen M, et al. Multi-scale fully convolutional neural networks for histopathology image segmentation: from nuclear aberrations to the global tissue architecture. Med Image Anal. 2021;70:101996.
- Masci J, Meier U, Ciresan D, et al. Stacked convolutional auto-encoders for hierarchical feature extraction. In: International Conference on Artificial Neural Networks. Berlin: Springer; 2011:52-59.
- Ng A. Sparse autoencoder. CS294A Lecture Notes. 2011;72:1-19.
- He K, Chen X, Xie S, et al. Masked autoencoders are scalable vision learners. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022:16000-16009.
- Lim H, Choi J, Choo J, et al. Sparse autoencoders reveal selective remapping of visual concepts during adaptation. In: Proceedings of the 13th International Conference on Learning Representations (ICLR). 2025.
- Gong D, Liu L, Le V, et al. Memorizing normality to detect anomaly: memory-augmented deep autoencoder for unsupervised anomaly detection. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019:1705-1714.
- Wang G, Han S, Ding E, et al. Student-teacher feature pyramid matching for anomaly detection. In: Proceedings of the 32nd British Machine Vision Conference (BMVC). 2021.
- Zavrtanik V, Kristan M, Skocaj D. DRAEM: a discriminatively trained reconstruction embedding for surface anomaly detection. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021:8330-8339.
- Niazi MKK, Parwani AV, Gurcan MN. Digital pathology and artificial intelligence. Lancet Oncol. 2019;20(5):e253-e261.
- Raab SS, Grzybicki DM, Janosky JE, et al. Clinical impact and frequency of anatomic pathology errors in cancer diagnoses. Cancer. 2005;104(10):2205-2213.
- Schömig-Markiefka B, Pryalukhin A, Hulla W, et al. Quality control stress test for deep learning-based diagnostic model in digital pathology. Mod Pathol. 2021;34(12):2098-2108.
- Steiner DF, MacDonald R, Liu Y, et al. Impact of deep learning assistance on the histopathologic review of lymph nodes for metastatic breast cancer. Am J Surg Pathol. 2018;42(12):1636-1646.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.