基于点Transformer和联邦学习的H&E染色全切片图像预测乳腺癌HER2状态总结
Summary of Point Transformer with Federated Learning for Predicting Breast Cancer HER2 Status from Hematoxylin and Eosin-Stained Whole Slide Images
AI总结：
本研究提出基于联邦学习和点Transformer的方法，结合动态标签分布、辅助分类器与最远余弦采样，从H&E染色全切片图像预测乳腺癌HER2状态，在多站点数据上表现卓越且泛化性强。
摘要：
本研究引入基于联邦学习的方法，从H&E染色全切片图像（WSIs）预测HER2状态，降低成本并加速治疗决策。针对多站点数据集中的标签不平衡和特征表示挑战，提出点Transformer，结合动态标签分布、辅助分类器和最远余弦采样。大量实验表明，在四个站点（2687张WSIs）上达到SOTA性能，对两个未见站点（229张WSIs）具有强泛化能力。
英文摘要：
This study introduces a federated learning-based approach to predict HER2 status from hematoxylin and eosin (HE)-stained whole slide images (WSIs), reducing costs and speeding up treatment decisions. To address label imbalance and feature representation challenges in multisite datasets, a point transformer is proposed, incorporating dynamic label distribution, an auxiliary classifier, and farthest cosine sampling. Extensive experiments demonstrate state-of-the-art performance across four sites (2687 WSIs) and strong generalization to two unseen sites (229 WSIs).
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
