RareCode: фреймворк глубокого обучения без учителя для обнаружения аномалий на гистопатологических изображениях колоректального рака

Liu Xiang; Huashun Li; Xuejia Zheng; Feng Zhu; Tianyuan Li; Yujie Zhang; Jie Song; Hongtao Jin; Yong Dai

doi:10.3791/72303

Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

RareCode: фреймворк глубокого обучения без учителя для обнаружения аномалий на гистопатологических изображениях колоректального рака

3 просмотров

⸱

DOI:

10.3791/72303

⸱

22 сентября 2026 г.

Liu Xiang¹^,² , Huashun Li³ , Xuejia Zheng⁴ , Feng Zhu⁴ , Tianyuan Li² , Yujie Zhang² , Jie Song²^,⁵ , Hongtao Jin⁶^,⁷ , Yong Dai²^,³^,⁸

¹School of Computer Science and Engineering, Anhui University of Science and Technology, ²School of Medicine, Anhui University of Science and Technology, ³School of Electrical and Information Engineering, Anhui University of Science and Technology, ⁴The First Hospital, Anhui University of Science and Technology, ⁵School of Safety Science and Engineering, Anhui University of Science and Technology, ⁶Department of Pathology, Shenzhen People's Hospital, The Second Clinical Medical College, Jinan University, ⁷The First Affiliated Hospital, Southern University of Science and Technology, ⁸Anhui Provincial Academician Workstation of Anhui University of Science and Technology for Autoimmune Disease Diagnostic Technology

В этой статье

Краткое содержание

В данном исследовании представлен RareCode — фреймворк глубокого обучения без учителя, который выявляет аномалии на гистопатологических изображениях колоректального рака путем анализа редкости активации кодовой книги (Codebook Activation Rarity, CAR), что открывает возможности для помощи в предварительном скрининге без использования размеченных обучающих данных.

Аннотация

Неконтролируемое обнаружение аномалий на гистопатологических изображениях широко исследовалось с использованием подходов на основе реконструкции, измеряющих ошибки восстановления, однако эти методы часто не позволяют зафиксировать тонкие патологические изменения на семантическом уровне из-за присущей текстурам тканей неоднородности. Чтобы преодолеть этот недостаток, в данной работе представлен RareCode — фреймворк на основе векторного квантования, который расширяет парадигму обнаружения, выходя за рамки реконструкции на уровне пикселей и включая анализ активации кодовой книги на семантическом уровне. Основным нововведением является оценка редкости активации кодовой книги (Codebook Activation Rarity, CAR), которая профилирует частоту активации каждой записи кодовой книги в процессе обучения исключительно на нормальных образцах и помечает редкие активации как индикаторы аномалий при выводе, дополняя таким образом ошибки реконструкции семантической дискриминацией. На базе этого одномасштабного механизма CAR дополнительно внедрен модуль многомасштабной иерархической кодовой книги (Multi-scale Hierarchical Codebook, MHC), использующий кодовые книги различных размеров с обучаемыми весами слияния для захвата патологических паттернов: от грубых структур на уровне ткани до мелких деталей на клеточном уровне. Благодаря многомасштабному дизайну на каждом уровне гранулярности кодовой книги создаются иерархические тепловые карты аномалий, предоставляя патоморфологам интерпретируемые многомерные визуальные подсказки по локализации, указывающие, где и на каком структурном уровне возникают аномалии. Пятикратная перекрестная проверка на наборе данных гистопатологических изображений колоректального рака с клинической аннотацией, полученном из больницы Шэньчжэня (Shenzhen People's Hospital), демонстрирует, что RareCode достигает площади под кривой (AUC) 96,82%, превосходя базовые методы. Поклассовый анализ показал более высокую эффективность при обнаружении рака (AUC = 99,44%, специфичность = 94,21%), чем при обнаружении воспаления (AUC = 94,30%, специфичность = 60,44%). Эти результаты свидетельствуют о том, что анализ CAR может стать перспективным неконтролируемым подходом для обнаружения аномалий в гистопатологии, потенциально способствуя клиническому предварительному скринингу при диагностике колоректального рака.

Введение

Надежный гистопатологический скрининг колоректального рака по-прежнему ограничен необходимостью экспертной аннотации и ручного анализа, особенно в случаях, когда воспалительные поражения и злокачественные новообразования имеют схожую морфологию¹^,². Эти ограничения стимулируют разработку методов обучения без учителя, которые позволяют анализировать нормальные ткани, не требуя при этом исчерпывающего набора аннотаций патологических изменений³^,⁴.

Клиническая необходимость автоматизированного гистопатологического скрининга подчеркивается растущим дисбалансом между спросом на диагностику и доступным опытом патологоанатомов: за одно десятилетие диагностическая нагрузка на одного патологоанатома в США выросла более чем на 40%, в то время как численность персонала продолжала сокращаться⁵. При колоректальном раке (КРР) организованные программы скрининга были связаны со снижением смертности на 29-68%⁶, однако возможности ручного патоморфологического анализа остаются ограниченными из-за нехватки специалистов. Автоматизированная система предварительного скрининга, которая надежно выявляет подозрительные случаи для приоритетного анализа, могла бы помочь облегчить эту нагрузку и сократить время получения результатов диагностики. Однако внедрение таких систем требует как высокой чувствительности для предотвращения пропуска истинно положительных случаев, так и достаточной специфичности для исключения чрезмерного количества ложных тревог⁷.

Неконтролируемое обнаружение аномалий (UAD) становится все более актуальным в анализе медицинских изображений⁸, поскольку оно позволяет моделировать распределение нормальных тканей, не требуя меток патологий для обучения³^,⁹^,¹⁰. Модели, основанные на реконструкции, включая автокодировщики, вариационные автокодировщики, генеративно-состязательные сети и варианты с расширенной памятью, выявляют аномалии по ошибкам реконструкции, однако декодеры с большой емкостью все еще могут восстанавливать аномальные области с высокой точностью¹¹^,¹²^,¹³^,¹⁴^,¹⁵^,¹⁶^,¹⁷. Методы, основанные на признаках, такие как PatchCore и PaDiM, используют предобученные представления, хотя признаки, извлеченные из изображений природного мира, могут не в полной мере отражать микроскопическую атипию в гистопатологии¹⁸^,¹⁹^,²⁰^,²¹. Специализированные базовые модели для патологии и детекторы аномалий на основе диффузии представляют собой мощную альтернативу, однако требования к данным или вычислительные затраты могут ограничить их прямое применение в высокопроизводительном скрининге²²^,²³. Современные автоматизированные и эволюционные методы, такие как EvoAAE²⁴ и MoARNN-AM²⁵, дополнительно иллюстрируют ценность адаптивной оптимизации моделей для обнаружения аномалий, хотя контексты их применения отличаются от анализа гистопатологических изображений. В отличие от них, методы на основе векторного квантования (VQ) накладывают дискретные ограничения кодовой книги, что может снизить вероятность идентичного отображения; тем не менее, существующие подходы на базе VQ по-прежнему полагаются преимущественно на пространственные ошибки реконструкции и недостаточно используют семантическую информацию, содержащуюся в паттернах активации кодовой книги²⁶^,²⁷.

Хотя вышеупомянутые методы демонстрируют многообещающие результаты в общих областях, их применение к сложным гистопатологическим сценариям сталкивается с определенными трудностями. Гистопатологические изображения характеризуются сложной гетерогенностью тканей на нескольких структурных уровнях²⁸. На практике анализ изображений обычно проводится на локальных патчах, извлеченных из срезов тканей, а патологоанатомический диагноз по своей сути носит многомасштабный характер: патологоанатомы оценивают морфологию желез и тканей при малом увеличении, одновременно изучая ядерный плеоморфизм и фигуры митоза при большом увеличении²⁹. Мы выделяем три основных ограничения современных подходов: во-первых, патологические аномалии и нормальные ткани обладают высоким сходством низкоуровневых визуальных признаков, таких как стиль окрашивания и локальная текстура, из-за чего методы, основанные на реконструкции, оказываются неспособны обнаруживать едва заметные аномалии, так как как нормальные, так и аномальные образцы могут демонстрировать схожее качество реконструкции на семантическом уровне. Во-вторых, большинство существующих методов используют одномасштабное извлечение признаков, что затрудняет одновременный захват аномальных признаков как на тканевом, так и на клеточном уровнях³⁰^,³¹. В-третьих, хотя основные методы позволяют генерировать тепловые карты на уровне пикселей, они часто не могут интуитивно отобразить иерархические атрибуты аномалий, что ограничивает полезность таких моделей в качестве средств клинической диагностики.

Для решения вышеуказанных проблем мы предлагаем RareCode — фреймворк для обнаружения аномалий (UAD), который исследует паттерны активации кодовой книги и иерархическое представление признаков на нескольких уровнях абстракции. Фреймворк включает три основных компонента: (1) механизм оценки редкости активации кодовой книги (Codebook Activation Rarity, CAR), который вычисляет показатели редкости на основе частоты активации записей, обученных исключительно на нормальных образцах, что позволяет отличать нормальные образцы от аномальных на семантическом уровне и предоставляет дополнительные дискриминационные сигналы по сравнению с традиционными ошибками пространственной реконструкции. (2) Архитектуру слияния многомасштабной иерархической кодовой книги (Multi-scale Hierarchical Codebook, MHC), которая фиксирует патологические признаки на разных уровнях детализации — от грубых структурных паттернов до детальных клеточных особенностей — за счет использования кодовых книг с различной емкостью, при этом адаптивное слияние достигается с помощью обучаемых весов. (3) Модуль иерархической интерпретируемой локализации, который использует многомасштабную архитектуру для генерации тепловых карт аномалий с разной степенью детализации, предоставляя патоморфологам многомасштабные семантически интерпретируемые диагностические ориентиры.

Основная гипотеза данного исследования заключалась в том, что профили частоты активации кодовых книг, полученные из кодовых книг, обученных исключительно на нормальных гистопатологических изображениях колоректального рака, будут кодировать семантическую информацию, релевантную для выявления аномалий, помимо ошибки реконструкции на уровне пикселей, и что многомасштабная интеграция этих дополняющих друг друга сигналов улучшит дифференциацию изображений, содержащих раковые или воспалительные ткани, от нормальных изображений по сравнению с репрезентативными методами UAD, что оценивалось преимущественно по показателю AUC. Для проверки этой гипотезы мы оценили работу RareCode с использованием 5-кратной перекрестной проверки на клинически аннотированном наборе данных CRC, а также провели абляционный анализ и анализ локализации для изучения вклада и интерпретируемости его основных компонентов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Настоящее исследование было одобрено Комитетом по этике клинических исследований Шэньчжэньского муниципального's Hospital (номер одобрения: LL-KY-2025300-01). Этический комитет освободил от требования предоставления информированного согласия, поскольку данное ретроспективное исследование использовало существующие гистопатологические изображения и клинические материалы без прямого контакта с пациентами и вмешательства в их лечение. Все клинические данные и гистопатологические изображения были деперсонализированы до анализа, и в ходе исследования не использовалась никакая персонально идентифицируемая информация. Все данные, использованные в исследовании, обрабатывались в соответствии с этическими стандартами институциональных и национальных исследовательских комитетов.

Обзор платформы
Общая архитектура предложенной рамочной платформы UAD, RareCode, показана на Рисунок 1Фреймворк использует параллельную двухветвевую архитектуру. Для каждого входного изображения размером 512 × 512 извлекаются неперекрывающиеся патчи размером 32 × 32 и 64 × 64 в качестве входных данных мелкого и крупного масштаба соответственно. Патчи размером 64 × 64 изменяют размер до 32 × 32 перед подачей в сеть, чтобы обе ветви имели одинаковый размер входных данных для энкодера-декодера, сохраняя при этом различные рецептивные поля. Энкодеры каждой ветви отображают извлечённые признаки в латентное пространство, где модуль MHC накладывает ограничения на дискретизацию. Затем декодеры восстанавливают изображение из квантованных признаков для вычисления ошибок восстановления в пространственной области. Механизм CAR оценивает степень семантической аномалии путём анализа частот активации кодовой книги. Наконец, модель объединяет оценки восстановления и оценки CAR с помощью взвешенной комбинации для получения оценок аномалий на уровне изображения. Фреймворк RareCode обучается «с конца до конца» только на нормальных образцах, не требуя аннотаций аномалий. Двухветвевая архитектура была использована для захвата как локальных клеточных признаков, так и более крупных структур желез. Модуль MHC применялся для моделирования этих признаков с помощью кодовых книг различной ёмкости.

Архитектура кодировщик-декодировщик
RareCode создает структурно независимые кодировщики и декодировщики для ветвей мелкого и крупного масштаба. Каждая ветвь использует один и тот же дизайн кодировщика-декодировщика, но не разделяет параметры. Кодировщик состоит из четырех сверточных блоков, каждый из которых включает свертку 3 × 3, нормализацию по пакетам, функцию активации ReLU и dropout. Количество каналов увеличивается от 64 до 128, затем до 256, а конечная карта признаков преобразуется в одномерный вектор и проецируется в 64-мерное латентное представление. Декодировщик зеркально повторяет структуру кодировщика и включает полносвязный проекционный слой, за которым следуют четыре слоя транспонированной свертки, восстанавливающие каждый фрагмент до исходного размера входных данных сети. Ошибка реконструкции вычисляется как среднеквадратичная ошибка между входными и реконструированными фрагментами. Комбинируя эту архитектуру кодировщика-декодировщика с дискретными ограничениями кодовой книги, RareCode обучается компактным представлениям нормальной ткани и измеряет отклонения в ходе инференса.

Многоуровневый иерархический кодобук
Для фиксации патологических признаков на нескольких уровнях абстракции—от широких тканевых паттернов до локализованных клеточных вариаций—модуль MHC использует K дискретных кодовых книг figure-protocol-1 с различной ёмкостью н₁, n₂, ..., n_KВ окончательной конфигурации FourScales каждая ветвь содержит четыре кодовые книги с 64, 128, 256 и 512 элементами соответственно, причём каждый элемент кодовой книги представляет собой 64-мерное встраивание. Для каждого закодированного признака фрагмента ближайший элемент кодовой книги выбирается на основе евклидова расстояния. Квантованные выходы из различных кодовых книг затем объединяются с использованием обучаемых весов, нормализованных по кодовым книгам. Предполагается, что более мелкие кодовые книги, из-за более сильных ограничений сжатия, кодируют обобщённые типичные паттерны, игнорируя локальные вариации, тогда как более крупные кодовые книги сохраняют детализированные признаки, отражающие более специфические структурные особенности. Для каждой кодовой книги figure-protocol-2 , где e_k⁽ⁱ⁾ figure-protocol-3 R^d обозначает i-й вектор встраивания в k-м кодовом книге, непрерывные признаки отображаются в дискретное пространство кодовой книги посредством поиска ближайшего соседа (уравнение 1 и 2):

figure-protocol-4

figure-protocol-5

Для достижения адаптивного объединения многомасштабных признаков мы вводим обучаемые веса. После нормализации с помощью softmax выполняется взвешенное суммирование квантованных выходов из каждого кодбука (уравнение 3):

figure-protocol-6

где σ(·) обозначает функцию softmax, гарантирующую, что веса удовлетворяют условию Σ_k σ(w_k) = 1. Такая конструкция позволяет модели автоматически корректировать доли участия кодовых таблиц на различных уровнях детализации в зависимости от семантического содержания входных признаков.

Для оптимизации обучения кодовой книги мы используем стандартную функцию потерь векторного квантования (уравнение 4):

figure-protocol-7

где sg[·] обозначает операцию остановки градиента, и β = 0,25 — это коэффициент веса потери привязанности. Первый член способствует смещению векторов кодовой книги в сторону выходных данных энкодера, в то время как второй член способствует сохранению согласованности выходных данных энкодера с соответствующими векторами кодовой книги. Полный механизм многомасштабного векторного квантования (VQ) проиллюстрирован в Рисунок 2.

Оценка редкости активации кодов
CAR оценивает аномалии на семантическом уровне на основе статистики активации кодовой книги, оценённой по нормальным обучающим выборкам. После обучения модели все нормальные обучающие изображения были пропущены через энкодер и модуль MHC без увеличения данных. Для каждой ветви и каждой кодовой книги был зафиксирован индекс назначения каждого признака участка, а также подсчитано количество назначений каждому элементу кодовой книги. Полученные значения подсчитывания затем нормализовали, чтобы получить распределение частоты активации для данной кодовой книги (уравнение 5):

figure-protocol-8

На этапе вывода каждое тестовое изображение обрабатывалось с использованием одной и той же процедуры извлечения фрагментов, кодирования и присвоения ближайшего соседа из кодовой книги. Для каждой присвоенной записи кодовой книги значение редкости рассчитывается как отрицательный логарифм частоты её активации в обучающей выборке нормальных образцов (уравнение 6):

figure-protocol-9

где ε является небольшой константой, используемой для численной устойчивости. Таким образом, элемент кодовой книги низкой частоты получает более высокий показатель редкости, что указывает на меньшую согласованность соответствующего признака участка с изученным распределением нормальной ткани. Показатели редкости на уровне участков усреднялись в пределах каждого изображения и по ветвям мелкого и крупного масштабов для получения отклика редкости на уровне изображения.

Для дополнения редкости по частоте активации мы также вычисляем оценку расстояния на основе процентильной квантизации (уравнение 7):

figure-protocol-10

Этот показатель рассчитывается на основе евклидова расстояния между каждым закодированным вектором признаков и ближайшим элементом кодовой книги. Распределение расстояний оценивается по нормальным обучающим образцам, а расстояния тестовых образцов преобразуются в процентильные баллы. Более высокие процентильные баллы указывают на то, что закодированный признак труднее представить с помощью изученных прототипов нормальной кодовой книги.

Окончательный показатель CAR объединяет редкость активации и расстояние квантования по всем кодовым книгам с использованием обучаемых весов кодовых книг (уравнение 8):

figure-protocol-11

Те же нормализованные веса кодовой книги, которые используются для объединения признаков на нескольких масштабах, применяются также при объединении на уровне оценок, что обеспечивает согласованность между обучением представлений и оценкой аномалий. Результирующий показатель CAR рассчитывается на уровне изображения, после чего объединяется с показателем реконструкции для получения окончательного показателя аномалии. Общий механизм оценки CAR проиллюстрирован на Рисунок 3.

Окончательное вычисление показателя аномалии
Мы объединяем ошибки реконструкции в пространственной области с оценками CAR на семантическом уровне. Перед объединением обе оценки отдельно нормализуются с использованием мини-макс-нормализации на основе перцентилей, чтобы уменьшить влияние экстремальных выбросов. Окончательная аномальная оценка на уровне изображения определяется следующим образом (уравнение 9):

figure-protocol-12

где S_рекон обозначает нормированную среднеквадратичную ошибку реконструкции, отражающую качество реконструкции образца в пиксельном пространстве; S_CAR является оценкой CAR, описанной выше, которая отражает степень семантического отклонения. Гиперпараметр α figure-protocol-13 [0,1] регулирует относительное взвешивание между двумя компонентами, причём оптимальные значения определяются на валидационных наборах данных.

Цель обучения
Фреймворк RareCode обучается сквозным способом с использованием только нормальных образцов. Общая функция потерь при обучении включает следующие компоненты (уравнение 10):

figure-protocol-14

Каждый термин определяется следующим образом: Потеря реконструкции: figure-protocol-15 , измеряя среднеквадратичную ошибку между входными участками p и реконструированные участки D(z_q) после квантования. Эта потеря применяется отдельно к 32 × 32 патч-ветвь ( figure-protocol-16 ) и 64 × 64 patch branch figure-protocol-17 для обеспечения эффективного обучения признакам на обоих пространственных масштабах.

Описание набора данных
Для оценки RareCode были проведены эксперименты на клинически аннотированном наборе гистопатологических изображений РРК, включающем изображения срезов ткани толстой кишки, окрашенных гематоксилином и эозином (H&E)&E), полученный из Шэньчжэньского народа's Больницы. Все изображения в этом наборе данных получены из реальных клинических случаев. Изображения были оцифрованы при увеличении 40x с исходным разрешением 1024 × 1024 пикселей. Для обеспечения надежности и качества аннотаций все метки категорий образцов совместно проверялись и подтверждались двумя или более старшими профессиональными патологоанатомами в соответствии с протоколом двойного слепого исследования.

На основании гистопатологических характеристик набор данных был разделён на три класса: нормальная ткань (1226 изображений), рак (1215 изображений) и воспаление (1214 изображений). В условиях бинарной задачи обнаружения аномалий (UAD) образцы рака и воспаления рассматривались как аномальные, а нормальные образцы служили опорным распределением. Такая постановка задачи отражает целевую задачу сортировки — разделение случаев, требующих дополнительного патологического анализа, от тех, которые морфологически нормальны.

Все H&Изображения, окрашенные с помощью E, были изменены до размера 512 × 512 пикселей перед использованием в качестве входных данных сети. Для оценки использовали стратифицированное перекрёстное валидирование с пятью фолдами. В каждом фолде нормальные образцы сначала разделяли на обучающую, валидационную и независимую тестовую подвыборки. RareCode обучали только на нормальных образцах обучающей подвыборки. Валидационную подвыборку, в которую также входили только нормальные образцы, использовали для выбора модели, настройки гиперпараметров и определения веса объединения αКонтрольный набор данных, состоящий из незнакомых нормальных образцов и образцов с аномалиями, включая рак и воспаление, использовался исключительно для окончательной оценки эффективности и не применялся при обучении модели, подборе гиперпараметров или α выборке. Представительные категории, структура набора данных и протокол проверки показаны в Рисунок 4.

Детали реализации
Предложенный фреймворк RareCode и базовые методы сравнения были реализованы с использованием PyTorch. Все эксперименты проводились на рабочей станции, оснащённой одним графическим процессором NVIDIA GeForce RTX 4060 Ti (16 ГБ). Для конфигурации архитектуры сети, с целью извлечения признаков на различных пространственных масштабах, двухветвевая архитектура обрабатывает неперекрывающиеся фрагменты на двух масштабах: 32 × 32 пикселя (меньшее поле рецепции, фиксирующее локальные текстурные паттерны) и 64 × 64 пикселя (более крупное поле восприятия, охватывающее более широкий пространственный контекст) соответственно. Размерность непрерывного встраивания признаков, формируемая кодировщиками обеих ветвей, единообразно установлена равной 64. В модуле MHC мы настраиваем по четыре кодовые книги с разной ёмкостью для каждой ветви, с количеством дискретных прототипов 64, 128, 256 и 512 соответственно.

В ходе оптимизации сеть обучалась сквозным способом в течение 50 эпох с размером пакета 8. Для обновления весов мы используем оптимизатор AdamW с начальной скоростью обучения 5 × и коэффициент регуляризации весов выбраны так, чтобы предотвратить переобучение. Кроме того, для обеспечения плавной сходимости обучения использовался график понижения скорости обучения по косинусоидальному закону, что позволило достичь более точной оптимизации на последних этапах обучения. Размеры фрагментов и размеры кодовых книг были подобраны с учётом баланса между представлением на нескольких масштабах и вычислительными затратами. Окончательная конфигурация FourScales была обоснована анализом исключения компонентов, и α был выбран на контрольной выборке до оценки на тестовой выборке.

Для анализа влияния сложности декодера был реализован вариант с комплексным декодером на основе конфигурации FourScales. Данный вариант использовал одинаковый разбиение данных, размеры кодовых книг, количество эпох обучения, оптимизатор, скорость обучения, основанную на валидации α выбора и метрик оценки, как модель FourScales. Базовый декодер был заменён на декодер в стиле EMCAD, содержащий блоки свёртки с несколькими масштабами и модули внимания к свёрточным блокам (CBAM). После каждого из первых трёх этапов апсемплирования с транспонированной свёрткой — параллельные 3 × 3, 5 × 5 и 7 × Было применено 7 свёрток по глубине, за которыми следовала 1 × 1 точечное объединение, пакетная нормализация, активация ReLU, остаточное соединение и внимание CBAM. CBAM включает канальное внимание на основе дескрипторов среднего и максимального пулинга и пространственное внимание с использованием 7 × 7 свёрток. Заключительный этап использовал транспонированную свёртку и сигмоидальную активацию для реконструкции 32 × 32 патча.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Сравнение с базовыми методами
Для оценки фреймворка RareCode в качестве базовых методов были выбраны несколько репрезентативных методов UAD, охватывающих методы на основе реконструкции (CAE³², VAE¹², SAE³³, MAE³⁴, PatchSAE³⁵), реконструкцию с дополненной памятью (MemAE³⁶), дистилляцию знаний (STFPM³⁷), генерацию синтетических аномали...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Результаты позволяют предположить, что паттерны активации кодовой книги могут предоставлять дополнительную информацию по сравнению с ошибками пространственной реконструкции. Улучшение показателей при переходе от NoCAR к полной модели FourScales подтверждает потенциальный вклад оценки CAR, в то время как выбранные веса объединения указывают на то, что семантическая редкость может играть важную роль в итоговой оценке аномальности. Одним из возможных объяснений является то, что отклонения, связанные с CRC, могут охватывать ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют, что у них нет известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, представленную в данной статье. При подготовке данной работы мы использовали ChatGPT для улучшения языка и удобочитаемости рукописи, а также для помощи в создании кода для визуализации данных. После использования этого инструмента мы проверили и отредактировали содержимое по мере необходимости и берем на себя полную ответственность за опубликованную статью.

Благодарности

Данное исследование было поддержано рабочей станцией академика Юна Дая (Диагностические технологии для аутоиммунных заболеваний) (Wan Ke Science and Technology [2023] № 317), проектом Фонда инноваций аспирантов совместного исследовательского центра медицины труда и здоровья Национального исследовательского центра наук о здоровье в Хэфэе, открытый фонд (№ OMH-2023-04), а также проектом по клиническим и трансляционным исследованиям провинции Аньхой (№ 202427610020132).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
Имя	Компания	Каталожный номер	Комментарии
ГПУ GeForce RTX 4060 Ti	NVIDIA	Нет данных	16 ГБ видеопамяти (VRAM); для всех экспериментов использовался один графический процессор (GPU) (RRID:SCR_022858)
Matplotlib	Команда разработчиков Matplotlib	Версия 3.8.4	Визуализация данных и создание графиков (RRID:SCR_008624)
NumPy	Разработчики NumPy	Версия 1.26.4	Численные вычисления и операции с массивами (RRID:SCR_008633)
pandas	команда разработчиков pandas	Версия 2.2.3	Организация данных и табличная обработка результатов (RRID:SCR_018214)
Подушка	Участники разработки Python Imaging Library / Pillow	Версия 10.3.0	Загрузка и предварительная обработка изображений
Python	Python Software Foundation	Версия 3.12.3	Язык программирования, использованный для разработки модели и анализа данных (RRID:SCR_008394)
PyTorch	Meta Platforms, Inc.	Версия 2.7.0+cu118	Фреймворк глубокого обучения, использованный для реализации и обучения модели (RRID:SCR_018536)
scikit-learn	Разработчики scikit-learn	Версия 1.4.2	Перекрестная проверка, разделение на обучающую и тестовую выборки и метрики оценки (RRID:SCR_002577)
SciPy	Разработчики SciPy	Версия 1.13.1	Статистический анализ (RRID:SCR_008058)
torchvision	Проект PyTorch	Версия 0.22.0+cu118	Предварительная обработка изображений и преобразование данных
tqdm	Разработчики tqdm	Версия 4.66.4	Мониторинг процесса обучения и оценки

Ссылки

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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Больше статей

Обучение без учителя активация кодовой книги векторное квантование многомасштабная кодовая книга диагностика рака семантический анализ