组装深度学习模型来预测胃癌中淋巴血管入侵的情况

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 人工智能在医学中的应用

背景情况:

• 淋巴血管侵袭 (LVI) 是胃癌的关键预后指标,与淋巴结转移增加和患者存活率降低相关.
• 由于细微的入侵模式,在组织病理学中准确检测LVI具有挑战性,导致潜在的诊断变异性.
• 现有的LVI检测方法可能是耗时和主观的,突出了客观,自动化解决方案的需要.

研究的目的:

• 开发和验证一种基于深度学习的方法,用于在胃癌中自动检测淋巴血管入侵 (LVI).
• 评估卷积视觉变压器 (ConViT) 和你只看一次 (YOLOX) 模型的LVI识别性能.
• 评估组合模型的有效性,该模型结合了补丁级别的信心分数,以提高诊断准确度.

主要方法:

• 使用血素和乙 (H&E) 染色的胃癌样本的整片图像.
• 实施并比较深度学习模型,包括ConViT和YOLOX,用于LVI检测.
• 通过从检测模型中加权平均补丁级置信度得分来开发一个整体模型.

主要成果:

• ConViT模型实现了高性能,接收器操作特征曲线 (AUROC) 下的面积为0.9796,精度回调曲线 (AUPRC) 下的面积为0.9648.
• 整体模型整合了补丁级分数,表现出优异的性能,AUROC为0.9880,AUPRC为0.9769,F1分数为0.9280.
• 拟议的深度学习方法显示了对准确和一致的LVI检测有很大的潜力.

结论:

• 深度学习模型,特别是ConViT和整体方法,为检测胃癌中淋巴血管入侵提供了强大的解决方案.
• 开发的AI工具可以通过减少检查时间,提高诊断一致性和最大限度地减少观察者之间的变化来帮助病理学家.
• 这项技术有望通过提供可靠的预后信息和支持临床决策,推动胃癌的精准医学.