【技术实现步骤摘要】
本专利技术涉及基于人工智能的计算病理学，特别是涉及一种基于transformer的病理切片多组学数据预测方法。
技术介绍
1、利用人工智能技术对数字病理切片进行例如，自动化临床诊断，预测病人预后，以及发现新的形态学生物标记物的任务，已经推动了计算病理学的进步。例如，开发基于ai辅助诊断的自动分类模型可以对苏木精-伊红染色的数字病理切片预测原发灶未知的癌症起源，结肠癌患者的预后，以及检测乳腺癌的淋巴结转移。已经有研究证明了组织病理学图像的特征和临床分子特征之间的关联，例如基于病理切片预测结肠癌的微卫星不稳定等等。
2、随着计算机视觉算法的革新，例如，vision transformer模型以及自监督学习，正在为计算病理学提供新的方法。尤其是大队列，多中心的研究范式正在逐步弥补单一数据集的缺陷，并且基于自监督学习的预训练模型可以有效缓解端到端训练带来的过拟合以及缺乏泛化性。
3、然而，基于病理切片的多组学数据预测方法，包括预测患者预后，药物疗效，以及临床分子特征等等，依旧是缺失的。为了能够从病理切片中获取最全面的信息...
【技术保护点】
1.一种基于transformer的病理切片多组学数据预测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种基于transformer的病理切片多组学数据预测方法，其特征在于，S1中数字病理图像来自公共数据集或私有的队列。
3.根据权利要求1或2所述的一种基于transformer的病理切片多组学数据预测方法，其特征在于，S1中分块大小根据原始图像的分辨率进行选择，对分块之后的图像进行数据增广；
4.根据权利要求3所述的一种基于transformer的病理切片多组学数据预测方法，其特征在于，在对图像进行分割的过程中，...
【技术特征摘要】
1.一种基于transformer的病理切片多组学数据预测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种基于transformer的病理切片多组学数据预测方法，其特征在于，s1中数字病理图像来自公共数据集或私有的队列。
3.根据权利要求1或2所述的一种基于transformer的病理切片多组学数据预测方法，其特征在于，s1中分块大小根据原始图像的分辨率进行选择，对分块之后的图像进行数据增广；
4.根据权利要求3所述的一种基于transformer的病理切片多组学数据预测方法，其特征在于，在对图像进行分割的过程中，可以按照事先标注好的组织类型进行分割；
5.根据权利要求1-4任一项所述的一种基于transformer的病理切片多组学数据预测方法，其特征在于，s2中选用传统的transformer架构或swin transformer架构模型对s1中获取的图像块进行特征提取；
6.根据权利要求5所述的一种基于t...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。