摘要
现代癌症诊断通常涉及从可疑区域获取组织样本，并通过组织技术处理流程制备数字化玻璃切片，即全切片图像（Whole Slide Image, WSI），以便进一步分析。然而，这些处理过程常会在生成的WSI中引入多种类型的伪影，若未被有效识别或处理，这些组织学伪影可能对后续计算病理学（Computational Pathology, CPATH）系统在诊断流程中的性能产生负面影响。尽管深度卷积神经网络（Deep Convolutional Neural Networks, DCNNs）在检测部分WSI伪影方面已取得令人瞩目的成果，但其预测结果缺乏不确定性估计。本文提出一种具备不确定性感知能力的深度核学习（Deep Kernel Learning, DKL）模型，用于检测两类常见WSI伪影：模糊区域与折叠组织。所提出的概率化模型融合了卷积神经网络（CNN）特征提取器与稀疏高斯过程（Sparse Gaussian Processes, GPs）分类器，不仅提升了当前最先进的DCNN伪影检测模型的性能，还能提供可靠的预测不确定性估计。在未见过的数据上，该模型在模糊检测和折叠组织检测任务中分别取得了0.996和0.938的F1分数。在大量跨队列、跨染色方法及不同组织类型的外部独立数据集上的实验验证表明，DKL模型显著优于传统DCNN方法。值得注意的是，DKL模型在正确预测时表现出更高的置信度，而在错误预测时则表现出较低的置信度。因此，该DKL模型可有效集成至CPATH系统的预处理流程中，提供稳健可靠的伪影检测结果，有望作为病理图像质量控制的重要工具。