深树:通过模仿病理学家的树状策略来进行病理图像分类

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能.
• 数字病理学数字病理学

背景情况:

• 病理幻灯片的数字化使得人工智能驱动的计算机辅助诊断成为可能.
• 计算病理学的当前人工智能方法往往忽略了病理学家的先前知识和诊断推理,特别是关于损伤形态学的.
• 需要人工智能工具来整合病理专业知识,以获得更准确和可解释的结果.

研究的目的:

• 介绍DeepTree,一种由病理学家的诊断决策过程启发的新型深度学习架构.
• 提高AI在病理图像分析中的准确性,透明度和临床适用性.
• 利用先前对诊断策略的知识,在计算病理学中获得更高的代表性.

主要方法:

• 设计了一个新的深度学习架构,DeepTree,使用二进制树结构来模仿病理诊断.
• 开发了一种类似树的策略,可以有条件地学习组织形态之间的相关性.
• 优化了网络分支以改进性能,并验证了肺癌和乳腺瘤数据集的方法.

主要成果:

• 在病理图像分类方面,DeepTree表现出更高的准确性,透明度和令人信服的结果.
• 与现有方法相比,结合先前知识的树状策略显示出优越的表示能力.
• 该方法提高了病理学家对人工智能分析的信心,并促进了实际的临床应用.

结论:

• DeepTree为病态图像分析提供了一个更准确,透明和可靠的AI驱动的方法.
• 将先前的诊断知识集成到人工智能模型中,可以显著提高它们的表示能力.
• 这项工作通过与专家推理保持一致,促进了人工智能辅助病理诊断的临床采用.