Key points are not available for this paper at this time.
O diagnóstico precoce de metástase em linfonodos no câncer de mama é essencial para melhorar os resultados do tratamento e o prognóstico geral. Infelizmente, os patologistas muitas vezes não conseguem identificar depósitos metastáticos pequenos ou sutis, levando-os a confiar em colorações de citoqueratina para melhor detecção, embora essa abordagem não esteja isenta de falhas. Para atender à necessidade de detecção precoce, o aprendizado multi-instância (MIL) surgiu como o método de aprendizado profundo preferido para detecção automática de tumores em imagens de lâmina inteira (WSIs). No entanto, os métodos existentes muitas vezes não conseguem identificar algumas lesões pequenas devido à atenção insuficiente a regiões pequenas. Métodos baseados em aprendizado multi-instância com atenção (ABMIL) podem ser particularmente problemáticos, pois podem focar demais em regiões normais, deixando atenção insuficiente para lesões pequenas de tumor. Neste artigo, propomos um novo modelo baseado em ABMIL chamado conjunto-chave representativo normal ABMIL (NRK-ABMIL), que aborda essa questão ajustando o mecanismo de atenção para dar mais atenção às lesões. Para alcançar isso, o NRK-ABMIL cria um conjunto-chave ótimo de incorporações de patches normais chamado conjunto-chave representativo normal (NRK). O NRK representa aproximadamente a distribuição subjacente de todas as incorporações de patches normais e é usado para modificar o mecanismo de atenção do ABMIL. Avaliamos o NRK-ABMIL nos conjuntos de dados Camelyon16 e Camelyon17, disponíveis publicamente, e descobrimos que ele superou os métodos de ponta existentes na identificação precisa de pequenas lesões tumorais que podem se espalhar por alguns patches. Além disso, o NRK-ABMIL também teve um desempenho excepcional na identificação de lesões tumorais médias/grandes.
Sajjad et al. (Sex,) estudaram essa questão.