Weakly supervised artificial intelligence for multi-cancer detection of lymph node metastasis on whole slide images
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
The accurate identification of lymph node metastasis is critical for cancer diagnosis/treatment but remains time-consuming and error-prone for pathologists. We develop MambaMIL+HiLA-MIL, a multiple instance learning model combining Vision Mamba with high-low attention separation mechanism. This model is compared against six baselines under four feature extractors (ResNet, UNI, Virchow, and GigaPath). Ten-fold cross-validation is employed for model evaluation. Our model significantly outperforms all baselines. It exhibits strong performance in detection of isolated tumor cells and micro-metastasis, while maintaining high performance for negative and macro-metastasis cases. The model still demonstrates good stability in detecting lymph node metastasis across multi-cancer and various individual cancer types. UNI and GigaPath yield significantly better performance than ResNet and Virchow. Here, we show that MambaMIL+HiLA-MIL is a multi-cancer four-class lymph node metastasis model, demonstrating high efficiency and robustness across multiple centers and various feature extractors, offering a reliable tool for clinical lymph node metastasis classification.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Weakly supervised artificial intelligence for multi-cancer detection of lymph node metastasis on whole slide images
- Date Crossref
- 14/08/2026
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Liaoning Cancer Hospital & Institute pays non établi dans la noticeÉtablissement de santé
-
China Medical University pays non établi dans la noticeUniversité ou école supérieure
-
Dalian University of Technology Department of Pathology pays non établi dans la noticeUniversité ou école supérieure
-
Dalian University pays non établi dans la noticeUniversité ou école supérieure
-
School of Software Technology pays non établi dans la noticeUniversité ou école supérieure
Liaoning Cancer Hospital & Institute, China Medical University et Department of Pathology — Dalian University of Technology, avec 2 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.