ترجمه فارسی مقاله کاهش آسیب‌های صوتی در یادگیری فدرال خصوصی متفاوت با پیش‌آموزش مدل

چکیده

Whole slide images (WSIs) are gigapixel-scale digital images of H\&E-stained tissue samples widely used in pathology. The substantial size and complexity of WSIs pose unique analytical challenges. Multiple Instance Learning (MIL) has emerged as a powerful approach for addressing these challenges, particularly in cancer classification and detection. This survey provides a comprehensive overview of the challenges and methodologies associated with applying MIL to WSI analysis, including attention mechanisms, pseudo-labeling, transformers, pooling functions, and graph neural networks. Additionally, it explores the potential of MIL in discovering cancer cell morphology, constructing interpretable machine learning models, and quantifying cancer grading. By summarizing the current challenges, methodologies, and potential applications of MIL in WSI analysis, this survey aims to inform researchers about the state of the field and inspire future research directions.

چکیده به فارسی (ترجمه ماشینی)

تصاویر کامل اسلاید (WSIS) تصاویر دیجیتالی در مقیاس Gigapixel از نمونه های بافت رنگ آمیزی H \ & e هستند که به طور گسترده در آسیب شناسی استفاده می شوند.اندازه و پیچیدگی قابل توجه WSIS چالش های تحلیلی منحصر به فرد را ایجاد می کند.یادگیری نمونه چندگانه (MIL) به عنوان یک رویکرد قدرتمند برای پرداختن به این چالش ها ، به ویژه در طبقه بندی سرطان و تشخیص سرطان ظاهر شده است.این بررسی یک مرور کلی از چالش ها و روش های مرتبط با استفاده از MIL در تجزیه و تحلیل WSI ، از جمله مکانیسم های توجه ، برچسب زدن شبه ، ترانسفورماتورها ، عملکردهای جمع آوری و شبکه های عصبی نمودار ارائه می دهد.علاوه بر این ، پتانسیل MIL در کشف مورفولوژی سلول سرطانی ، ساخت مدلهای یادگیری ماشین قابل تفسیر و تعیین درجه بندی سرطان را بررسی می کند.این نظرسنجی با خلاصه کردن چالش ها ، روش ها و کاربردهای بالقوه MIL در تجزیه و تحلیل WSI ، با هدف اطلاع رسانی به محققان در مورد وضعیت حوزه و الهام بخشیدن به مسیرهای تحقیق آینده است.