Detection, localization, and staging of breast cancer lymph node metastasis in digital pathology whole slide images using selective neighborhood attention-based deep learning
Notice bibliographique
Résumé
Accurate detection, localization, and staging of breast cancer lymph node metastases are critical for guiding treatment decisions and predicting patient outcomes. This study presents a selective neighborhood attention-based deep learning framework that combines nuclei-level features with high-level tissue embeddings to detect, annotate and stage breast cancer metastases in whole-slide images (WSIs) of lymph node biopsy specimens precisely. The proposed framework leverages a dual-path feature extractor, incorporating both nuclei segmentation/classification outputs and transformer-based tissue features, alongside a dynamic attention mechanism that selects and emphasizes neighboring patches based on similarity to the target patch. Experimental results on the CAMELYON16 test set demonstrate high performance in patch-level tumor detection, with sensitivity of 96.2 ± 1.5%, precision of 95.3 ± 2.4%, and an F1-score of 95.7 ± 3.1%. The model achieves accurate tumor boundary delineation, evidenced by a Dice score of 90.5 ± 2.0% and a Jaccard index of 82.6 ± 0.8%, along with a lesion-level free-response receiver operating characteristic (FROC) score of 84.6 ± 2.8%. Additionally, the slide-level classification achieves an area under the receiver operating characteristic (ROC) curve (AUC) of 0.96 ± 0.01, highlighting the system's strong diagnostic capability. Out-of-distribution evaluation on the CAMELYON17 dataset confirms the framework's generalizability, yielding an F1-score of 87.0 ± 1.8% at the patch level and an AUC of 0.88 ± 0.03 at the slide level. Furthermore, the proposed model achieves a kappa score of 0.94 ± 0.02 for automated pN-staging at the patient level, indicating near-expert concordance in detecting and classifying the extent of nodal metastasis. Ablation analyses underscore the importance of incorporating nuclei-based features and selective neighborhood attention, with noticeable performance degradation observed when either element is removed. By integrating cellular-level insights with tissue-level contextual information, the proposed framework replicates key aspects of human pathological assessment effectively and shows promise as a decision-support tool in the era of digital pathology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».