[论文解读] Computational Pathology: A Survey Review and The Way Forward

Mahdi S. Hosseini, Babak Ehteshami Bejnordi+19 more|arXiv (Cornell University)|Apr 11, 2023

AI in cancer detection被引用 6

一句话总结

本文对计算病理学（CPath）进行了全面综述，分析了700余篇论文，从数据、模型和应用三个维度描绘了该领域的研究版图。论文提出了一种模型卡片（model-card）框架，用于归档关键研究工作，识别出自监督学习和视觉-语言模型等趋势，并概述了临床整合与数字病理学技术革新方面的挑战与未来方向。

ABSTRACT

Computational Pathology CPath is an interdisciplinary science that augments developments of computational approaches to analyze and model medical histopathology images. The main objective for CPath is to develop infrastructure and workflows of digital diagnostics as an assistive CAD system for clinical pathology, facilitating transformational changes in the diagnosis and treatment of cancer that are mainly address by CPath tools. With evergrowing developments in deep learning and computer vision algorithms, and the ease of the data flow from digital pathology, currently CPath is witnessing a paradigm shift. Despite the sheer volume of engineering and scientific works being introduced for cancer image analysis, there is still a considerable gap of adopting and integrating these algorithms in clinical practice. This raises a significant question regarding the direction and trends that are undertaken in CPath. In this article we provide a comprehensive review of more than 800 papers to address the challenges faced in problem design all-the-way to the application and implementation viewpoints. We have catalogued each paper into a model-card by examining the key works and challenges faced to layout the current landscape in CPath. We hope this helps the community to locate relevant works and facilitate understanding of the field's future directions. In a nutshell, we oversee the CPath developments in cycle of stages which are required to be cohesively linked together to address the challenges associated with such multidisciplinary science. We overview this cycle from different perspectives of data-centric, model-centric, and application-centric problems. We finally sketch remaining challenges and provide directions for future technical developments and clinical integration of CPath (https://github.com/AtlasAnalyticsLab/CPath_Survey).

研究动机与目标

• 系统性地回顾并分类700余篇计算病理学论文，涵盖数据、模型和应用维度。
• 识别临床采纳过程中面临的关键挑战，包括数据质量、模型泛化能力以及监管合规性问题。
• 提出一种模型卡片框架，基于任务、架构和数据集，对相关CPath研究进行组织与检索。
• 绘制出自监督学习、视觉-语言模型和合成数据生成等新兴趋势的发展脉络。
• 概述未来研究方向，以提升临床契合度、多中心协作能力，以及设计CPath专用架构。

提出的方法

• 对700余篇CPath论文开展系统性文献回顾，按任务、数据集、模型架构和临床应用进行分类。
• 开发标准化的模型卡片模板，用于记录关键属性：任务类型、数据模态、模型架构、评估指标及临床相关性。
• 绘制CPath中深度学习架构的演进路径，包括卷积神经网络（CNNs）、Transformer、弱监督学习（MIL）及视觉-语言模型。
• 分析以数据为中心的方法趋势，包括染色归一化、基于生成对抗网络（GANs）的合成数据生成，以及自监督对比学习。
• 评估临床验证实践与监管路径，特别是数字病理学工具的FDA审批流程。
• 识别数据集多样性、标注质量及多机构协作方面的缺口，提出联邦学习与多领域学习作为解决方案。

实验结果

研究问题

• RQ1 计算病理学研究中主流的模型架构与学习范式是什么？
• RQ2 数据采集、标注与预处理实践如何影响模型的泛化能力与临床实用性？
• RQ3 CPath工具临床采纳的主要障碍是什么？如何加以克服？
• RQ4 自监督学习与视觉-语言模型等新兴技术如何提升可解释性与性能？
• RQ5 将CPath整合进常规临床工作流程所面临的最紧迫技术与制度性挑战是什么？

主要发现

• 对比自监督学习已成为主流方法，在低数据场景下显著提升了少样本泛化能力。
• 视觉-语言模型越来越多地用于通过视觉特征与临床报告对齐，生成可解释的预测结果。
• 基于GAN的合成数据生成已达到足够高的真实感，足以支持CPath中的训练与数据增强。
• 多实例学习（MIL）及基于注意力机制的MIL模型在全切片图像分类与生存预测任务中表现出色。
• 尽管研究进展显著，仅有极少数CPath工具经过临床验证或获得FDA批准，凸显研究与临床实践之间的关键鸿沟。
• 联邦学习与多中心学习框架正成为构建跨机构、具备隐私保护能力的稳健CPath系统的关键手段。