{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部分”：[[2024,4,22]]，“日期-时间”：“2024-04-22T17:21:14Z”，“时间戳”：1713806474265}，“引用-计数”：0，“发布者”：“人工智能发展协会（AAAI）”，“问题”：“3”，“内容域”：{“域”：[]，“交叉标记限制”：false}，“short container-title”：[“AAAI”]，“抽象”：“计算病理学中的全幻灯片图像（WSI）具有高分辨率和千兆像素大小，但通常具有稀疏的感兴趣区域，这导致幻灯片中每个区域的诊断相关性较弱，数据效率低下。大多数现有方法都依赖于一个多实例学习框架，该框架要求在高放大率下对局部补丁进行密集采样。由于提取补丁级特征的繁重计算不可避免，因此在应用阶段的局限性显而易见。在本文中，我们开发了RLogist，这是一种用于WSI快速观测策略的基准深度强化学习（DRL）方法。我们的RL代理模仿人类病理学家的诊断逻辑，学习如何找到具有观察价值的区域，并跨多个分辨率级别获得具有代表性的特征，而无需在高倍下分析WSI的每个部分。我们将我们的方法用于两个全滑层面的分类任务，包括淋巴结切片WSI中的转移检测和肺癌的分型。实验结果表明，与典型的多实例学习算法相比，RLogist具有竞争性的分类性能，同时观察路径明显较短。此外，RLogist给出的观察路径提供了良好的决策解释能力，其阅读路径导航能力可能被病理学家用于教育/辅助目的。我们的代码位于：https:\/\/github.com/tencent-ailab\/RLogist<\/jats:p>“，”DOI“：”10.1609\/aaai.v37i3.25467“，”type“：”journal-article“，”created“：{”date-parts“：[[2023,6,27]]，”date-time“：”2023-06-27T16:24:36Z“，”timestamp“：1687883076000}“，”page“：“3570-3578”，“source”：“Crossref”，“is-referenced-by-count”：1，“title”：[“RLogist:快速观察整体幻灯片图像并进行深度强化学习”]，“前缀“：”10.1609“，”卷“：”37“，”作者“：[{”给定“：”博川“，”家庭“：”赵“，”序列“：”第一“，”从属“：[]}，{”给出“：”军“，”家族“：”张“，”顺序“：”附加“，”隶属“：[]}，，{“给定”：“德恒”，“家庭”：“叶”，“序列”：“附加”，“从属”：[]{，“给定”:“建”，“家族”：“曹”，“顺序”：“additional”，“隶属关系”：[]}，{“给定”：“肖”，“family“：”Han“，”sequence“：”additional“，”affiliation“：[]}，{”given“：”Qiang“，”family”：“Fu“，“sequence”：“additional”，“affiliance”：[]{“given”：“Wei”，“家族”：“Yang”，“se序列”：“附加的”，“从属关系”：[]}]，“成员”：“9382”，“在线发布”：{“date-parts”：[2023,6,26]]}人工智能“]，“original-title”：[]，“link”：[{“URL”：“https:\/\/ojs.aaai.org\/index.php\/aaai\/article\/download\/25467\/25239”，“content-type”：“application\/pdf”，“content-version”：“vor”，“intended-application”：“text-mining”}：“unspecified”，“content-version”：“vor”，“intended-application”：“相似性检查”}]，“存放”：{“date-parts”：[[2023,6,27]]，“date-time”：“2023-06-27T16:24:36Z”，“时间戳”：1687883076000}，“分数”：1，“资源”:{“主要”：{“URL”：“https:\/\/ojs.aaai.org\/index.php\/aaai\/article\/view\/25467”}，”副标题“：[]，”短标题“[]，“发布”：{“日期部分”：[[2023,6,26]]}，“引用-计数”：0，“journal-issue”：{“issue”：“3”，“published-online:{“date-parts”：[[2023,6,27]]}}，“URL”：“http://\/dx.doi.org\/10.1609\/aaai.v37i3.25467”，“relation”：{}，”ISSN“：[”2374-3468“，”2159-5399“]，”ISSN-type“：[{”value“：”2374-468“，”type“:”electronic“}，{”value“：“2159-539”9“，”type“：”print“}]，”subject“：[]，”published“：{”date-parts“：[2023,6,26]]}}