空间意识的变压器网络用于从整个幻灯片图像中对糖尿病病进展的上下文预测
相关实验视频
Updated: Jul 13, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
439
Benjamin Shickel1,2, Nicholas Lucarelli3, Adish Rao4
1Dept. of Medicine, University of Florida, Gainesville, FL, USA.
概括
这项研究引入了一个新的AI框架,使用空间自我注意力来预测糖尿病病 (DN) 患者的末期病 (ESRD). 该模型实现了高精度,在ESRD预测中表现优于现有方法.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 计算病理学计算病理学
- 人工智能的人工智能
背景情况:
- 糖尿病病 (DN) 是末期病 (ESRD) 的主要原因,活检中的异质呈现使其复杂化.
- 当前的人工智能 (AI) 和深度学习方法在整个幻灯片图像 (WSI) 中难以捕捉空间关系.
研究的目的:
- 开发一种基于变压器的框架,用于从2型糖尿病患者的活检WSIs中预测ESRD.
- 通过结合空间信息和淋巴细胞之间的关系来提高临床轨迹估计的准确性.
主要方法:
- 为了编码WSIs,开发了一个变压器深度网络,结合了非线性维度减少和相对欧几里德像素距离嵌入.
- 用一个空间自我注意力机制来捕捉质细胞的上下文表示.
- 在来自DN患者的56个脏活检WSI的数据集上使用了一个离开一个的交叉验证方案.
主要成果:
- 拟议的变压器框架实现了接收器运行特征曲线 (AUC) 下的面积为0.97,用于预测两年的ESRD.
- 该模型显著超过了包括RNNs,XGBoost和后勤回归在内的基线模型.
- 相对距离嵌入组件是至关重要的,它将AUC从0.86提高到0.97,而无声化自编码模块则贡献了0.76.7的AUC.
结论:
- 开发的基于距离的嵌入方法和过拟合缓解技术对病理学领域的空间意识的WSI研究具有前途.
- 这一框架为糖尿病病的定量病理评估和临床轨迹估计提供了一个强大的方法.
- 未来的研究可以利用这些方法,利用有限的病理学数据集,更好地预测疾病进展.
