Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin

背景和目的：对于治疗和二级预防来说，确定缺血性卒中的血栓栓子来源至关重要，但通常难以确定。本研究描述了一种自我监督的深度学习方法，用于数字病理学中血栓的分类，以从组织病理学图像中识别缺血性卒中血栓的起源。方法：数据集包括来自STRIP AI Kaggle挑战赛的全幅切片图像（WSI），其中包括机械取栓后从缺血性卒中患者中检索到的血栓。使用迁移学习和自我监督预训练开发了基于Transformer的深度学习模型来对WSI进行分类。定制包括注意力汇集层，加权损失函数和阈值优化。测试和比较了各种模型架构，主要使用加权对数损失进行模型性能评估。结果：该模型在交叉验证中达到了0.662的对数损失分数，在测试集上达到了0.659的分数。比较了不同的模型骨干，其中swin_large_patch4_window12_384表现更好。采用血栓起源分类的阈值技术来平衡假阳性和假阴性。结论：本研究展示了基于Transformer的深度学习模型在从组织病理学图像中识别缺血性卒中血栓起源方面的有效性，并强调了需要专门针对血栓WSI进行改进的建模技术。需要进一步研究来改善模型性能、可解释性，并验证其有效性。未来的增强可能包括整合更大的患者队列、高级预处理策略以及探索集成多模式方法以提高诊断准确性。

本论文的问题是如何利用深度学习技术从组织病理学图像中识别缺血性中风栓子的来源，这是一项新的问题。

论文的关键思路是使用自监督预训练和迁移学习来开发基于Transformer的深度学习模型，用于对WSI进行分类。模型包括注意力池化层、加权损失函数和阈值优化，并测试和比较了不同的模型结构和骨干网络，最终选择了swin_large_patch4_window12_384作为最佳模型。

论文的亮点包括使用自监督预训练和迁移学习来提高模型性能，对模型进行了多种优化，包括注意力池化层、加权损失函数和阈值优化，使用了STRIP AI Kaggle challenge数据集，实验结果表明该模型能够较好地识别缺血性中风栓子的来源，但仍需要进一步改进和验证。论文还提出了一些未来的研究方向，如集成更大的患者队列、高级预处理策略和探索多模式集成方法。

最近在这个领域中的相关研究包括：1.使用卷积神经网络（CNN）对组织病理学图像中的中风栓子进行分类；2.使用深度学习模型对中风图像进行分类和分割；3.使用多模态数据进行中风诊断和预测。