Nature这个多模态病理模型不仅汇总16个公开数据集，技术创新也非常值得参考！

最新推荐文章于 2025-03-04 15:02:25 发布

程序员笑武

最新推荐文章于 2025-03-04 15:02:25 发布

阅读量1.2k

点赞数 28

文章标签：知识图谱人工智能学习 sql python

本文链接：https://blog.csdn.net/m0_59164304/article/details/143578348

版权

Nature近期的研究汇总多个病理切片数据集，综合运用多模态技术及自监督学习提出一种病理基础大模型。本文对其使用的方法进行介绍，并对其中使用的公开数据集进行汇总，希望能对各位读者有所帮助。

引言

病理图像评估是癌症及其亚型分类诊断的核心，通过分析组织切片中的细胞形态和分布，能够帮助医生识别肿瘤的类型和分期，从而制定相应的治疗方案。近年来研究者基于深度学习技术完成了肿瘤区域识别及癌症亚型分类等多种任务，提升了诊断的准确性和效率。然而，由于获取覆盖不同组织微环境异质性的综合病理表征非常困难，现有的研究主要集中于解决特定类型肿瘤的诊断任务。这不仅严重依赖于大量高质量标注数据，而且泛化性能往往较差。

自监督学习是一种利用未标注数据自动生成标签的学习方式。由于多样化的未标记训练数据相对容易收集，并且模型训练过程与特定任务无关，自监督学习在不同数据分布和病理图像评估任务上获得了较佳的效果。Nature的这篇研究面向病理图像评估问题，综合运用自监督学习和注意力机制等多种人工智能技术，开发了一个能够适应多种组织类型和评估任务的病理基础大模型。

数据及方法

该研究使用的数据来自于16个公开病理数据集以及6个医疗机构的非公开数据，涵盖了大脑、乳腺、膀胱以及肾脏等19个解剖部位。16个公开病理数据集的链接请看文末。

该研究提出的病理基础大模型主要包含面向无标记patch图像的无监督图像编码器模块、面向全切片图像的弱监督特征聚合模块以及补充解剖部位信息的文本编码器模块。

无监督图像编码器模块旨在为不同来源、参数设置、解剖位置的异质病理数据建立通用特征提取器。CTransPath是一种基于Transformer的无监督对比学习方法，旨在提高组织病理图像分类的性能。它通过引入对比学习框架，利用Transformer架构的特征提取能力，从未标注的图像中学习有意义的特征表示。无监督图像编码器模块基于CTransPath在1500万张未标记切片图像进行训练，建立了一个用于图像编码的组织病理图像分支。

弱监督特征聚合模块通过切片级的标签，采用弱监督学习和注意力机制完成病理图像全局特征的理解。基于无监督图像编码器模块提取的组织病理图像特征表示，辅以实例级特征识别和切片级对比学习，弱监督特征聚合模块通过基于注意力机制的特征融合来聚合这些特征，使病理基础大模型能够从全局特征构建对病理图像的整体理解。

补充解剖部位信息的文本编码器模块采用CLIP模型构建。该模型通过在多样化的图像-文本数据集上进行预训练，使其能够将视觉特征与对应的文本描述关联起来，从而识别不同器官之间的语义相关性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述