Nature Cancer
SMMILe实现高精度数字病理学中的空间量化

小赛推荐：

本文提出了一种基于多实例学习的新型方法SMMILe，能够在不依赖人工注释的前提下，实现高精度的空间量化与全切片图像分类，且在多个癌症数据集中表现优异。

 

文献概述

本文《SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning》，发表于《Nature Cancer》杂志，回顾并总结了数字病理学中空间量化的重要性及其面临的挑战。研究提出了一种基于超级块的可测量多实例学习方法（SMMILe），在多个癌症类型和病理任务中表现出色，同时解决了现有方法在空间感知方面的不足。

背景知识

在数字病理学中，空间量化对于病理医生定位临床兴趣区域和发现新型生物标志物背后的组织表型至关重要。然而，传统的多实例学习（MIL）方法虽能有效进行全切片图像（WSI）分类，但其空间注释能力有限，主要由于滑动窗口级别的标签训练导致的注意力评分偏差。本文基于理论分析与合成实验，系统性地改进IAMIL框架，提出SMMILe方法，结合卷积层、一致性约束、参数自由实例丢弃、去定位实例采样及马尔可夫随机场（MRF）优化等模块，显著提升了空间量化与WSI分类的联合性能。

 

提供基因敲除小鼠、条件性基因敲除小鼠、RNAi转基因小鼠等多种小鼠模型构建服务，适用于肿瘤、心血管、神经退行性疾病等研究，支持快速扩繁、冻存复苏及表型分析。

了解更多

 

研究方法与实验

SMMILe方法基于IAMIL框架，引入多个改进模块，包括卷积层以增强局部感受野、一致性约束以优化正常组织分类、参数自由实例丢弃以避免高区分实例的过拟合、去定位实例采样以提升模型鲁棒性，以及MRF优化以增强空间平滑性。研究在6种癌症类型、3种分类任务及8个数据集上进行验证，涵盖3,850个全切片图像，使用五折交叉验证进行评估。

关键结论与观点

• SMMILe在多个数据集上超越了现有MIL方法，在全切片图像分类方面，使用ImageNet预训练编码器时，在Ovarian、Prostate和Gastric Endoscopy数据集上分别超过第二佳方法2.20%、2.90%和11.18%。
• 使用病理基础模型Conch时，所有方法的空间量化性能均提升，但SMMILe在多数数据集中仍显著优于其他方法，尤其在空间F1分数上提高5–20%。
• 合成实验验证了SMMILe在注意力评分分配上的数学优势，其对高度区分实例的高评分有助于更精确的空间量化。
• 消融实验表明，每个模块（如参数自由实例丢弃、去定位采样、MRF优化）对空间量化性能提升均有贡献，其中Refinement模块对空间平滑性提升最显著。
• 研究还发现，现有方法即使结合病理基础模型，在空间召回率上仍存在较大不足，而SMMILe在空间召回率上表现最优。

研究意义与展望

本研究为数字病理学提供了一种无需人工标注的空间量化方法，有助于病理医生定位临床相关区域，并支持新型生物标志物的空间分析。未来，该方法有望扩展至更多病理任务，如空间解析测序及分子标记物发现。

 

提供肿瘤细胞系构建、肿瘤动物模型建立、体内移植药效模型、肿瘤转移机制研究等服务，涵盖多种癌症类型如乳腺癌、肺癌、胃癌等，支持IND申报及临床前研究。

了解更多

 

结语

综上所述，SMMILe方法在数字病理学中实现了高精度的空间量化与全切片图像分类，克服了现有MIL方法在空间注释上的局限性。该方法不仅在多个癌症数据集上表现优异，而且通过数学理论与消融实验验证了各模块的有效性。SMMILe的应用将提升病理医生的工作效率，并促进新型组织表型的发现，为后续生物标志物研究与精准医疗提供支持。

 

Zeyu Gao, Anyu Mao, Yuxing Dong, Chen Li, and Mireia Crispin-Ortuzar. SMMILe enables accurate spatial quantification in digital pathology using multiple-instance learning. Nature Cancer.