部落格文章

隨著AI技術的進步，越來越多的領域結合AI以達成更加精準、有效率的研究分析效果，其中一門新興的領域便是結合了AI運算和病理學的計算病理學（computational pathology）。 在病理學中，大量的數據如基因數據、臨床報告、組織切片圖像等能利用機器學習的方式來提取其中對未來研究有價值的相關訊息。而當醫療專家解讀AI處理過的數據時，將能更輕易且明確的解讀醫學數據。有AI加入到病理學研究中協助處理龐大的資料量，將能幫助醫療團隊發現一些可能不易察覺的模式，從而使診斷過程更快速且更準確。

在此將介紹一個用於分析病理影像的AI模型，clustering-constrained-attent...

卷積神經網路模型（Convolutional Neural Network, CNN）是一種用於處理圖像數據的深度學習模型，能用於圖像辨識、分類和提取特徵等。應用於醫療中可以幫助分析醫學影像並檢測腫瘤、病變區域等。 CNN的基本結構包含以下幾層：

卷積層（Convolutional Layer）

在卷積層中，會利用一個小型矩陣，稱為卷積核 （Kernel），以滑動窗口的方式掃描整張圖像，在掃描時卷積核會提取該區域的特徵。

激活函數層（Activation Layer）

通常在卷積層之後，會使用非線性函數運算卷積層輸出，常見的函數為 ReLU （Rectified Linea...

多實例學習是種常用於訓練病理資料的機器學習方法。在傳統的監督式學習中，每個單獨的樣本都會有一個獨立的標籤，而MIL的訓練樣本是以一組組袋（bag）的形式而非單一樣本存在。每一個袋中則包含了多個樣本，使得在進行標註時只需要給每一袋相同的標註即可。這能在進行如腫瘤或是病變組織分析時省下大量標註單一細胞的時間。模型利用袋中的實例進行特徵學習，並進行最終的分類，以判斷整體樣本的性質，如是否為腫瘤或病變組織。

多實例學習實際利用

可以先閱讀：CLAM:MIL
在CLAM模型中直接使用整個WSI影像進行訓練非常困難。因此在訓練模型時，會先將WSI切分成大量的小區塊再輸入模型中，而將這些切片...

隨著深度學習應用於病理影像的技術在近年愈發的成熟，其在病理影像分析中的應用也日益廣泛。然而許多模型仍仰賴於監督式學習，而標注數據需要大量的資料量和心力，在醫學影像領域尤其困難。在這情況下，Faust的團隊發表了一個由 RCC (renal cell carcinomas) 的組織學特徵訓練而成的非監督式模型，使深度學習能在病理學領域被更加廣泛的應用。

訓練資料來源

團隊從 TCGA (The Cancer Genome Atlas) 的開放資料庫中取了 550 張 H&E 染色的 RCC 患者 WSI（Whole slide image）影像用於訓練。RCC 的腫瘤影像用有較鮮明的...