使用基于变压器的结肠镜图像分类和检索检测结肠直肠癌中的微卫星不稳定性
Chung-Ming Lo1, Jeng-Kai Jiang2,3, Chun-Chi Lin2,3
1Graduate Institute of Library, Information and Archival Studies, National Chengchi University, Taipei, Taiwan.
PloS one
|January 25, 2024
概括
这项研究开发了一个机器学习模型,使用结肠镜图像来预测微卫星不稳定性高 (MSI-H) 的结肠直肠癌. 视力转换器模型实现了84%的准确性,提供了一个非侵入性的诊断替代方案.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 结肠直肠癌 (CRC) 是一个重大的全球健康挑战.
- 微卫星不稳定性高 (MSI-H) 是某些CRC的一个关键特征,与更好的预后有关.
- 目前MSI状态的确定通常依赖于组织病理学,需要使用替代方法.
研究的目的:
- 使用结肠镜图像开发一种在结肠直肠癌中MSI状态的非侵入性预测模型.
- 评估视觉变压器 (ViT) 模型与传统卷积神经网络 (CNN) 相比,在MSI预测方面的有效性.
- 探索基于内容的图像检索 (CBIR) 在CRC诊断中的临床决策支持的潜力.
主要方法:
- 使用了427张MSI-H和1590张MSS结肠镜图像的数据集.
- 使用视觉变压器 (ViT) 模型,具有为MSI预测预先训练的功能.
- 与使用支持矢量机 (SVM) 和基于内容的图像检索 (CBIR) 的DenseNet201进行ViT性能比较.
主要成果:
- ViT模型实现了84%的准确性和0.86的AUC,超过了DenseNet201 (80%的准确性,0.80的AUC).
- 在CBIR任务中,ViT功能表现出卓越的性能,平均精度为0.81,而DenseNet的平均精度为0.79.
- ViT缓解了常见的CNN限制,例如受体场的限制和梯度消失.
结论:
- 视觉变压器模型显示出从结肠镜图像中准确,非侵入性MSI状态预测结肠直肠癌的显著前景.
- 基于ViT的方法为MSI的确定提供了一个潜在的更具成本效益和可访问的替代品,而不是组织病理学.
- 使用ViT功能的CBIR可以为CRC诊断中的临床应用提供引人注目的深度学习驱动的见解.
