Video Experimental Relacionado
Updated: Feb 26, 2026
Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
Clasificación de secciones congeladas en todos los cánceres utilizando un transformador de visión de mezcla suave de
Jingpeng Wu1,2, Moxuan Yang3,4, Jiacheng Li5
1China-Japan Friendship Hospital (Institute of Clinical Medical Sciences), Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, China.
Este estudio presenta un modelo de Transformador de Visión (ViT) con Mezcla Suave de Expertos (Soft MoE) para patología intraoperatoria asistida por IA. El modelo distingue con precisión entre tumores benignos y malignos utilizando imágenes de cortes completos, mejorando la fiabilidad diagnóstica.
Área de la Ciencia:
- Patología Digital
- Inteligencia Artificial en Medicina
- Patología Computacional
Sus antecedentes:
- El análisis de secciones congeladas intraoperatorias es vital para la toma de decisiones quirúrgicas, pero enfrenta desafíos como la calidad variable de las muestras y las inconsistencias diagnósticas.
- Los modelos de IA existentes a menudo requieren anotaciones extensas, lo que limita su aplicabilidad en los flujos de trabajo de patología del mundo real.
Objetivo del estudio:
- Desarrollar y validar un modelo de IA débilmente supervisado para la clasificación binaria precisa de tumores (benignos vs. malignos) a partir de imágenes de cortes completos de secciones congeladas intraoperatorias.
- Evaluar el rendimiento, la interpretabilidad y la viabilidad del modelo para su implementación en entornos clínicos rutinarios.
Principales métodos:
- Se utilizó un conjunto de datos de 4.667 imágenes de cortes completos (WSI) teñidas con hematoxilina y eosina de diversas consultas intraoperatorias.
- Se empleó una arquitectura de Transformador de Visión (ViT) que incorpora un módulo de Mezcla Suave de Expertos (Soft MoE) para la clasificación binaria débilmente supervisada.
- El rendimiento del modelo se evaluó utilizando AUC, sensibilidad y especificidad, con interpretabilidad evaluada a través de visualizaciones de mapas de calor a nivel de instancia.
Principales resultados:
- El modelo Soft MoE-ViT logró un alto rendimiento diagnóstico con un AUC de 0.957, una sensibilidad de 0.817 y una especificidad de 0.961.
- El modelo demostró una utilidad consistente en varios tipos de tejido, tanto comunes como raros.
- Las visualizaciones de mapas de calor confirmaron la alineación con las regiones tumorales de relevancia diagnóstica, mejorando la interpretabilidad del modelo.
Conclusiones:
- El modelo Soft MoE-ViT presenta una solución de IA práctica e interpretable para la patología intraoperatoria, abordando las limitaciones del análisis tradicional de secciones congeladas.
- La capacidad del modelo para realizar inferencias locales en hardware clínico estándar respalda su potencial para la adopción clínica en el mundo real.
