Attentionベースの表現強化を備えたヒストパソロジー認識DINOモデル

科学分野:

• ヒストパソロジー画像解析
• 計算病理学
• 医療における人工知能

背景:

• ヒストパソロジーはがん診断に不可欠です。
• Vision Transformer（ViT）は画像解析にますます使用されています。
• ViTの既存の注意メカニズムは、ヒストパソロジーのニュアンスを完全には捉えられない可能性があります。

研究 の 目的:

• ViTの強化された注意モジュールであるHistoDARE（Histopathology-Aware DINO with Attention-based Representation Enhancement）を導入すること。
• ヒストパソロジー画像から空間的に認識され、意味的に区別される特徴の抽出を改善すること。
• がん検出および分類モデルのパフォーマンスを向上させること。

主な方法:

• DINOv2 ViT-L/14アーキテクチャに新しい3段階のAttentionWrapper（空間、チャネル、残差洗練）を統合しました。
• HistoDAREをNCT-CRC-HE-100Kデータセットに適用しました。
• 5倍の層化交差検証を使用したロジスティック回帰によって特徴を解釈しました。

主要な成果:

• 98.03%の精度、98.03%の精度、98.02%のリコール、98.02%のF1スコア、99.95%の特異度という高いパフォーマンスメトリクスを達成しました。
• ベースラインのDINOv2およびその他の最先端の方法を上回りました。
• 臨床的に重要なクラス（NORM、STR）で大幅な改善と、優れたクラスレベルの一貫性を示しました。

結論:

• HistoDAREは、臨床ヒストパソロジーのための堅牢で一般化可能なフレームワークを提供します。
• この方法は、豊富な特徴表現で同等の計算効率を提供します。
• HistoDAREは、実際の病理ワークフローにおけるAIモデルの潜在的なユーザビリティを強化します。