摘要
尽管当前的计算病理学模型在多种应用中表现优异，但由于依赖高倍率全切片图像分析，其在诊断效率方面存在显著缺陷。这一限制降低了其在临床上的实用性，尤其是在需要快速诊断或高效传输数据的场景中。为解决这些问题，我们开发了一种兼具计算和通信高效性的框架——放大对齐全局局部变换器（MAG-GLTrans）。该框架通过利用低倍率输入数据进行有效分析，大幅减少了计算时间、数据传输需求以及存储开销。其放大对齐机制采用自监督学习方法，通过有效对齐低倍率与高倍率图像的特征表示，从而弥补两者之间的信息差距。经过在多种核心计算病理学任务中的测试，MAG-GLTrans在保持顶尖分类性能的同时，实现了显著的效率提升：计算时间可减少10.7倍，数据传输和存储需求则可降低20倍以上。此外，MAG框架的灵活性还通过两项重要扩展得到了体现：其一，它可以作为特征提取器，提升任何计算病理学架构的效率；其二，它可与现有的基础模型兼容，使这些模型能够在几乎无信息损失的情况下处理低倍率输入数据。在临床应用中，MAG-GLTrans被用于非小细胞肺癌术中冰冻切片的计算机辅助诊断，它能够以较低的计算和通信成本识别出不同的肿瘤形态，并精确定位具有诊断意义的区域。综上所述，这些进展使得MAG-GLTrans成为应对时间敏感型应用的理想解决方案，尤其是在对准确性和效率都有极高要求的术中冰冻切片诊断领域。
MAG-GLTrans是一种通用型全切片图像分析架构，专为计算病理学应用设计，可用于癌症亚型分类、转移检测及突变预测等任务，同时兼顾诊断能力、计算效率以及通信负担的优化。
数据可用性
本研究使用的数据均来自开源平台。所有癌症基因组图谱的全切片数据及标签均可通过NIH基因组数据共享平台获取（https://portal.gdc.cancer.gov）。TCGA-NSCLC和TCGA-NSCLC（冰冻切片）的全切片图像是从TCGA-LUAD（https://portal.gdc.cancer.gov/projects/TCGA-LUAD）和TCGA-LUSC（https://portal.gdc.cancer.gov/projects/TCGA-LUSC）两个项目下载的。TCGA-胶质瘤的全切片图像则来自TCGA-GBM（https://portal.gdc.cancer.gov/projects/TCGA-GBM）和TCGA-LGG（https://portal.gdc.cancer.gov/projects/TCGA-LGG）两个项目。CAMELYON16的数据可通过Grand Challenge平台公开获取，网址为https://camelyon16.grand-challenge.org。PANDA的全切片图像同样可通过Grand Challenge平台获取，地址为https://panda.grand-challenge.org/data/。MAG-GLTrans的代码及模型权重可在https://github.com/Bingchao-Zhao/MAG-GLTrans上获取。
