TankZhouFirst/clinical-grade-computational-pathology-using-weakly-supervised-deep-learning-on-whole-slide-images

首个临床级别的 AI 系统可用源码

全球首个临床级病理 AI 系统源码及复现。

• 介绍：首个临床级病理AI诞生，4万余真实世界病理切片准确率超98%，用于筛查可减少医生75%工作量
• 官方 Github：https://github.com/MSKCC-Computational-Pathology/MIL-nature-medicine-2019

---

个人新增部分

1. 数据集下载。自己申请的，可直接使用，50G 左右。下载地址，密码：yetk
2. 数据集准备。官方接口需要指定格式，参考 code/README.md。这里我自己写了一个脚本，见 code/dataPrepare_for_CNN.py 和 code/dataPrepare_for_Rnn.py，改一下相关路径就好。
3. 训练及测试。将官方代码改成单机数据并行训练，加速训练，单 GPU 也无需更改代码。具体运行命令，参考 code/README.md
4. 具体代码运行流程
   1. 运行：code/dataPrepare_for_CNN.py，生成 MIL 所需的数据
   2. 运行 code/MIL_train.py 和 code/MIL_test.py（很慢）
   3. 运行：code/dataPrepare_for_Rnn.py，生成 RNN 所需的数据（较慢）
   4. 运行 code/RNN_train.py 和 code/RNN_test.py

---

原理图贴一张

结果

MIL

Pred \ target	1	0
1	11	1
0	2	31

ACC = 42 / 45 = 93.3% FNR = 2 / 13 = 15.4% FPR = 1 / 32 = 3.1%

RNN

Pred \ target	1	0
1	12	1
0	1	31

ACC = 43 / 45 = 95.6% FNR = 1 / 13 = 7.7% FPR = 1 / 32 = 3.1%