在计算病理学中,全幻灯片图像(WSI)的千兆像素尺度需要将其分成数千个较小的补丁。 分析这些高维补丁嵌入在计算上是昂贵的,并且有可能用许多不信息化的补丁稀释关键诊断信号。 现有的补丁选择方法通常依赖于随机抽样或简单的聚类方法,并且通常无法明确管理所选补丁数量与结果幻灯片表示的准确性之间的关键权衡。 为了解决这一差距,我们提出了EvoPS(Evolutionary Patch Selection),这是一个新颖的框架,将补丁选择作为多目标优化问题,并利用进化搜索来同时最小化选定的补丁嵌入数量并最大化下游相似性搜索任务的性能,生成最佳权衡解决方案的Pareto前置。 我们在癌症基因组图谱(TCGA)的四大癌症队列中验证了我们的框架,使用五个预训练的深度学习模型来生成补丁嵌入,包括监督CNN和大型自我监督基础模型。 结果表明,与使用通过标准提取管道选择的所有可用补丁嵌入的基线相比,EvoPS可以将所需的训练补丁嵌入数量减少90%以上,同时持续维护甚至改进最终分类F1分数。 EvoPS框架提供了一种稳健且有原则的方法,用于创建高效、准确和可解释的WSI表示,使用户能够在计算成本和诊断性能之间选择最佳平衡。