开发自动化风险分层对零散的牙生囊全片图像的自动化风险分层,使用基于注意力的图像序列分析仪

科学领域:

• 数字病理学数字病理学
• 医学中的人工智能.
• 在瘤学瘤学.

背景情况:

• 牙原性角囊 (OKC) 由于其具有攻击性和高复发率,因此存在诊断挑战.
• 目前预测OKC复发的方法依赖于复杂的临床,放射学和组织病理学参数,往往导致治疗管理中的困难.
• 正确区分复发性和非复发性OKC对于有效的患者治疗至关重要.

研究的目的:

• 开发一个用于OKC风险分层的自动化系统.
• 为了准确地将OKC分类为经常性或非经常性,使用整个幻灯片图像 (WSI).
• 实施基于注意力的图像序列分析仪 (ABISA) 来自动检测反复出现的OKC.

主要方法:

• 开发了一个基于注意力的图像序列分析器 (ABISA) 架构,将基于变压器的自我注意力与长短期记忆 (LSTM) 网络集成在一起.
• 在48个标记的WSI的定制数据集上训练和测试了ABISA模型,包括508个图像.
• 该系统利用空间依赖的自我注意力和图像补丁中的顺序依赖的LSTM.

主要成果:

• ABISA算法实现了高性能指标,包括0.98测试准确性,1.0回忆和0.98曲线下的面积.
• 与VGG16,VGG19,Inception V3和标准视觉变压器等标准型号相比,ABISA表现出卓越的准确性.
• 与标准视觉变压器相比,ABISA使用的可训练参数比标准视觉变压器少了58%,表明效率有所提高.

结论:

• 新的ABISA算法在自动检测复发性OKC方面取得了重大进展.
• 将其集成到风险分层管道中,可以更快,更准确地识别反复出现的OKC.
• 这种自动化方法有助于病理学家加快OKC的风险分层过程.