基于群体智能的ROI（感兴趣区域）选择方法，用于深度学习评估结直肠癌中的HER2基因表达

《Scientific Reports》：Swarm intelligence-guided ROI selection for deep learning assessment of HER2 in colorectal cancer

　　

摘要

准确评估结直肠癌（CRC）中人表皮生长因子受体2（HER2）的状态对于精准治疗至关重要，然而全切片图像（WSI）的千兆像素分辨率给依赖穷举式滑动窗口分割的传统深度学习工作流程带来了显著的计算瓶颈。为了解决这一挑战，我们提出了一种从粗略到精细的框架，该框架通过结合群体智能与深度学习来模拟病理学家的认知筛查过程。具体而言，我们将低倍率WSI视为一个二维搜索空间，并采用粒子群优化（PSO）算法自主导航并识别具有诊断意义的感兴趣区域（ROIs）。PSO搜索过程由基于颜色反卷积指标的适应度函数指导——优先考虑3,3’-二氨基联苯胺（DAB）染色的比例和强度——从而有效过滤掉无信息的背景和阴性组织，而无需对整个切片进行扫描。在后续阶段，这些高价值的候选ROI以高分辨率被提取出来，并使用最先进的深度学习模型（如ResNet或Swin Transformer）进行HER2状态的分类。实验结果表明，这种基于群体智能的方法在减少计算开销的同时，通过将分析重点放在关键病理区域上，实现了良好的斑块级区分能力。为了阐明所选ROI斑块在WSI层面的表现，我们进一步报告了每个WSI的预测计数分布，并引入了基于注意力的多实例学习（ABMIL）基线方法。通过将智能采样与深度学习分类相结合，我们的方法为数字病理工作流程提供了一个可解释且计算效率高的ROI预选框架，但在临床应用之前还需要进行更广泛的多中心验证。