(1980/台)OnekeyAI平台一键复现中科院二区病理多模态组学研究方案

OneKey平台复现论文的核心步骤

1. 数据准备与预处理

病理图像格式要求：

必须是全切片图像（WSI），常见格式为.svs、.ndpi、.mrxs。

不支持单张截图（如.jpg、.png），除非是私有格式如.kfb（江丰生物），可通过工具转换为.svs。

数据收集：

使用公开数据集（如TCGA-HNSC）或私有数据。

需要准备患者标签（label）

2. WSI裁剪为Patch

工具：WsiToPatch

参数说明：

level：放大倍率，TCGA数据一般为20倍（对应 level=0 或 level=1）。

patch_size：裁剪大小，常用512×512像素。

strategy：若指定倍率失败，默认使用最高分辨率。

输出：每个WSI被裁剪为数千个patch，用于后续分析。

3. Patch预处理

删除白色背景：

工具：PatchToPredict

参数：saturation_threshold 默认216，数值越大删除越严格。

颜色空间标准化：

工具：StainNormalize

常用方法：Macenko（效果好但慢）、Vahadane（居中）、Reinhard（快但效果差）。

需要指定参考图像（reference）进行颜色归一化。

4. 无监督聚类（核心差异化步骤）

目的：识别具有生物学意义的病理区域（如肿瘤区、间质区、浸润前沿等）。

工具：

FeatExtract：提取深度学习特征（使用预训练模型如ResNet50）。

FeatureCluster：对特征进行K-means聚类，指定聚类数（如6类）。

DimReduction + TSNE：可视化聚类结果。

输出：每个patch的聚类标签及距离聚类中心的距离。

5. 聚类结果筛选（Silicon病理区域选择）

人工干预：

根据聚类结果和病理学知识，筛选出有意义的聚类（如肿瘤区、浸润前沿）。

删除无关区域（如肌肉、脂肪、背景）。

工具辅助：

使用QuPath 或 PatchVisualizer 查看每个聚类的代表性patch。

可通过cluster_to_wsi 工具将聚类结果映射回原图，辅助判断。

6. 弱监督学习建模

目的：基于筛选后的patch，预测患者风险（高/低风险）。

工具：WeaklySupervised

模型：支持多种CNN架构（ResNet18/50、Inception_v3）。

训练策略：

使用患者级别标签（来自生信分析的风险分组）。

采用多实例学习（MIL）或特征聚合（如FeatAggregate）进行训练。

评估：对比筛选前后模型的AUC、准确率、混淆矩阵等。

7. 结果可视化与解释

Grad-CAM：生成热图，显示模型关注的病理区域（如血管浸润、间质浸润）。

聚类映射：将聚类结果可视化到WSI上，便于病理医生验证。

工具：WSIHeatmap、QuPath、Matplotlib。