ترجمه فارسی مقاله HistoKernel: هسته‌های حداکثر میانگین اختلاف سطح تصویر کل اسلاید برای مدل‌سازی پیش‌بینی‌کننده پان-سرطان

چکیده

Machine learning in computational pathology (CPath) often aggregates patch-level predictions from multi-gigapixel Whole Slide Images (WSIs) to generate WSI-level prediction scores for crucial tasks such as survival prediction and drug effect prediction. However, current methods do not explicitly characterize distributional differences between patch sets within WSIs. We introduce HistoKernel, a novel Maximum Mean Discrepancy (MMD) kernel that measures distributional similarity between WSIs for enhanced prediction performance on downstream prediction tasks. Our comprehensive analysis demonstrates HistoKernel’s effectiveness across various machine learning tasks, including retrieval (n = 9,362), drug sensitivity regression (n = 551), point mutation classification (n = 3,419), and survival analysis (n = 2,291), outperforming existing deep learning methods. Additionally, HistoKernel seamlessly integrates multi-modal data and offers a novel perturbation-based method for patch-level explainability. This work pioneers the use of kernel-based methods for WSI-level predictive modeling, opening new avenues for research. Code is available at https://github.com/pkeller00/HistoKernel.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین در آسیب شناسی محاسباتی (CPATH) غالباً پیش بینی های سطح پچ را از تصاویر کل اسلاید چند گیگاپیکل (WSIS) برای تولید نمرات پیش بینی سطح WSI برای کارهای مهم مانند پیش بینی بقا و پیش بینی اثر دارو جمع می کند.با این حال ، روش های فعلی به صراحت تفاوت های توزیع بین مجموعه های پچ در WSIS را مشخص نمی کنند.ما Histokernel ، یک هسته حداکثر اختلاف (MMD) جدید را معرفی می کنیم که شباهت توزیع بین WSIS را برای عملکرد پیش بینی پیشرفته در کارهای پیش بینی پایین دست اندازه گیری می کند.تجزیه و تحلیل جامع ما اثربخشی هیستوکنل را در کارهای مختلف یادگیری ماشین ، از جمله بازیابی (9،362 نفر) ، رگرسیون حساسیت به مواد مخدر (551 نفر) ، طبقه بندی جهش نقطه (3،419 نفر) و تجزیه و تحلیل بقا (2،291 = n) نشان می دهد ، عملکرد عمیقروشهای یادگیری.علاوه بر این ، Histokernel یکپارچه داده های چند منظوره را ادغام می کند و یک روش مبتنی بر آشفتگی جدید را برای توضیح در سطح پچ ارائه می دهد.این کار پیشگام استفاده از روشهای مبتنی بر هسته برای مدل سازی پیش بینی سطح WSI است و راه های جدیدی را برای تحقیق باز می کند.کد در https://github.com/pkeller00/histokernel در دسترس است.