Morphological Prototyping for Unsupervised Slide Representation Learning in Computational Pathology

病理全幅图像的表示学习主要依赖于多实例学习（MIL）的弱监督。然而，通过这种方法得到的幻灯片表示高度适应特定的临床任务，这限制了它们的表现力和泛化能力，特别是在数据有限的情况下。相反，我们假设组织中的形态冗余可以利用无监督的方式建立一个与任务无关的幻灯片表示。为此，我们介绍了PANTHER，一种基于高斯混合模型的原型方法，它将一组WSI补丁总结为一个更小的形态原型集合。具体而言，假设每个补丁都是从一个混合分布中生成的，其中每个混合成分代表一个形态典型。利用估计的混合参数，我们构建了一个紧凑的幻灯片表示，可以轻松用于各种下游任务。通过对13个数据集进行亚型和生存任务的广泛评估，我们表明：1）PANTHER优于或与监督的MIL基线相当；2）形态原型的分析为模型可解释性带来了新的定性和定量洞见。

本论文旨在通过利用组织中的形态学冗余，在无监督的情况下构建任务不可知的全幅病理图像（WSI）表示，以解决使用弱监督的多实例学习（MIL）方法所存在的限制性问题。

通过利用高斯混合模型的原型方法，将WSI补丁集总结为更小的一组形态学原型，并构建紧凑的WSI表示，以用于各种下游任务。

论文通过在13个数据集上的子类型和生存任务评估中，展示了PANTHER相对于监督MIL基线的优越性或相当性，并且形态学原型的分析为模型可解释性带来了新的定量和定性洞察。值得关注的是，PANTHER使用的是无监督的方法，这为病理图像的表示学习提供了一种新的思路。

最近在这个领域中，还有一些相关的研究。例如，使用深度学习方法进行病理图像分类和分割的研究，以及使用多任务学习方法进行病理图像分析的研究。