为计算病理学系统配备伪影处理管道：计算与性能权衡的展示

组织病理学是癌症诊断的金标准，通过显微镜检查进行。然而，组织学处理程序会导致产生伪影，这些伪影最终会转移到玻璃切片的数字化版本中，即全切片图像（WSIs）。伪影是与诊断无关的区域，可能会导致深度学习（DL）算法的错误预测。因此，在计算病理学（CPATH）系统中检测并排除伪影对于可靠的自动化诊断至关重要。本文提出了一种专家混合（MoE）方案，用于检测五种显著的伪影，包括受损组织、模糊、折叠组织、气泡和组织学上无关的血液。首先，我们训练独立的二分类DL模型作为专家，以捕捉特定的伪影形态。然后，我们使用融合机制对它们的预测结果进行集成。为了提高MoE的敏感度，我们在最终的概率分布上应用了概率阈值处理。我们开发了两种基于MoE和两种基于最先进的深度卷积神经网络（DCNNs）及视觉变换器（ViTs）的多分类模型的DL管道。基于DCNNs和ViTs的MoE方案优于简单的多分类模型，并在来自不同医院和不同类型癌症的数据集上进行了测试，其中使用DCNNs的MoE方案取得了最佳效果。所提出的MoE在未见过的数据上达到了86.15%的F1分数和97.93%的敏感度得分，并且在推理过程中比使用ViTs的MoE具有更低的计算成本。尽管如此，与多分类模型相比，MoE的最佳性能伴随着相对较高的计算权衡。所提出的伪影检测管道不仅能够确保可靠的CPATH预测结果，还可能提供质量控制。