一种基于转移学习和等级分割的病理癌症诊断和预后预测的通用AI方法
Pengzhi Yin1, Zehao Zhou2, Jingze Liu2
1School of automation, Central South University, 410083, People's Republic of China.
Physics in medicine and biology
|August 3, 2023
概括
本研究介绍了一种通用AI方法用于癌症诊断和病理学预后预测,使用双转移学习和层次分割网络实现高精度. DTL-HS-Regnet模型显示了改善数字病理学实践的巨大潜力.
科学领域:
- 病理学 病理学 病理学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 准确的癌症诊断和预后对于有效的治疗至关重要.
- 当前的人工智能方法在临床病理学中经常与有限的标记数据和跨领域任务作斗争.
研究的目的:
- 提出一种通用的人工智能方法用于病理学癌症诊断和预后预测.
- 开发一个AI系统,适用于半监督的临床环境,用有限的标记样本.
主要方法:
- 一个神经网络框架,包含一个层次分割块 (HS-Block) 和一个基于RegNet.Net的轻量级卷积单元.
- 集成一个卷积块注意模块,以优化特征提取.
- 一种双转移学习 (DTL) 机制 (DTL-HS-Regnet) 用于在有限数据的情况下进行半监督学习.
主要成果:
- DTL-HS-Regnet模型在三个癌症诊断任务中取得了卓越的性能,平均灵敏度,特异性,准确性和F1分数分别为0.9987,1.0000,1.0000和0.9992.
- 该模型展示了从病理图像中直接提取预后预测信息的能力.
- DTL-HS-Regnet的预测显示了与癌症相关纤维细胞的相关性,与病理学家的相关性相当.
结论:
- 拟议的AI方法为癌症诊断和病理学预后提供了一种通用方法.
- DTL-HS-Regnet模型显示了增强数字病理学实践和癌症治疗策略的巨大潜力.


