AAAI论文最佳解读|Point Transformer with Federated Learning for Predicting Breast Cancer HER2 Status from

论文标题

Point Transformer with Federated Learning for Predicting Breast Cancer HER2 Status from Hematoxylin and Eosin-Stained Whole Slide Images 基于联邦学习的点变换器用于预测HE染色全切片图像中的乳腺癌HER2状态

论文链接

Point Transformer with Federated Learning for Predicting Breast Cancer HER2 Status from Hematoxylin and Eosin-Stained Whole Slide Images论文下载

论文作者

Bao Li, Zhenyu Liu, Lizhi Shao, Bensheng Qiu, Hong Bu, Jie Tian

内容简介

本文提出了一种基于联邦学习的点变换器，用于从广泛可用的苏木精和伊红（HE）染色全切片图像（WSIs）中预测人表皮生长因子受体2（HER2）状态。准确预测HER2状态需要大量来自多个站点的WSIs，而联邦学习能够在不传输大规模数据的情况下进行协作训练，解决数据隐私问题。然而，联邦学习在处理来自不同站点的标签不平衡时面临挑战。为此，本文提出了一种动态标签分布策略和辅助分类器，以建立良好的初始化模型并减轻标签分布的变化。此外，采用基于余弦距离的最远余弦采样方法来捕获长距离依赖关系。实验结果表明，该方法在四个站点的2687个WSIs上实现了最先进的性能，并且能够推广到两个未见过的站点。

分点关键点

1. 点变换器框架

   • 本文提出的点变换器框架有效地捕获局部上下文信息和长距离依赖关系。通过引入注意力机制和位置编码，模型能够聚合每个点的局部特征，从而提高HER2状态的预测准确性。
     

2. 动态分布调整（DDA）

   • 为了应对多站点标签不平衡问题，提出了动态分布调整策略。该策略在初始训练阶段对标签进行重新采样，以保持相同的标签分布，然后在训练过程中动态调整到每个站点的真实分布，从而提高模型的泛化能力。

3. 最远余弦采样（FCS）

   • FCS方法通过在特征空间中进行采样，能够有效捕获长距离依赖关系，确保在WSI中重要的阳性补丁不会被遗漏。这种方法相较于传统的最远点采样（FPS）具有更好的性能。

4. 实验结果

   • 在四个站点的2687个WSIs上进行的广泛实验表明，所提出的方法在HER2状态预测中达到了最先进的性能，并且在两个未见过的站点的229个WSIs上也表现出良好的泛化能力。
     

论文代码

代码链接：https://github.com/boyden/PointTransformerFL

中文关键词

1. 乳腺癌
2. HER2状态
3. 联邦学习
4. 点变换器
5. 动态分布调整
6. 最远余弦采样
7. 全切片图像
8. 深度学习

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！