H-DCA Net: マルチスケール胃組織病理学的診断のための階層的な二重分岐調整注意枠

科学分野:

• コンピューティング病理学
• 腫瘍学における人工知能
• 医療イメージングのためのディープラーニング

背景:

• 胃がんの診断は,主観的で非効率的な組織病理学に依存しています.
• 現在のコンピュータ・アイド・診断 (CAD) システムは,マクロとマイクロ機能を統合できず,スケールの不一致の問題に直面しています.
• 正確で早期の診断は,患者の予後を改善するために不可欠です.

研究 の 目的:

• 胃がんの分類におけるスケール不一致の問題に対処するために,H-DCA Netという新しいディープラーニングフレームワークを開発する.
• 病理学者のマルチスケール診断ワークフローを模倣して,精度と信頼性を向上させる.
• 自動胃がんスクリーニングツールを強化するために.

主な方法:

• 階層的な二重分岐座標注意ネットワーク (H-DCA Net) を提案し,高レベルのセマンティックブランチ (EfficientNetV2-S) とローカルディテールブランチ (MobileNetV3-L) の2つのブランチを提案した.
• 階層的な注意力メカニズムを使用した統合された機能.
• 複数の画像パッチサイズ (80x80,120x120,160x160ピクセル) を使用して,GasHisSDBデータセットでモデルをトレーニングし,検証しました.

主要な成果:

• H-DCA Netは,120×120のサブデータセットで99.27%の精度,99.3%の精度,99.2%の感度,そして99.4%の特異性で,スケールを超えて高いパフォーマンスを達成しました.
• このモデルは,160×160 (精度99.04%) と80×80 (精度98.62%) のデータセットで優れたパフォーマンスを示しました.
• H-DCA Netは,特に限られた視野のシナリオ (80x80) で,最先端のモデルを上回り,またはマッチした.

結論:

• H-DCA Netは,ダブルブランチアーキテクチャと階層的な注意力を使って,多規模な病理学的情報を効果的に統合します.
• このモデルは,胃がんの自動検診のための効率的で,信頼性があり,解釈可能な補助ツールのための高精度の基礎を提供します.
• H-DCA Netは,診断の主観性を軽減し,病理学のワークフローの効率性を向上させるのに役立ちます.