达克斯网络 (DAX-Net):一个双分支双任务自适应式交叉权重特征融合网络,用于在病理图像中强大的多类癌症分类
Doanh C Bui1, Boram Song2, Kyungeun Kim2
1School of Electrical Engineering, Korea University, Seoul, 02841, Republic of Korea.
Computer methods and programs in biomedicine
|March 13, 2024
概括
本研究介绍了DAX-Net,这是一个混合深度学习模型,结合了卷积神经网络和变压器来进行高级癌症分类. 在分类结直肠和前列腺癌方面,DAX-Net表现出卓越的准确性和稳定性,优于现有的方法.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 多类癌症分类对于临床决策至关重要.
- 卷积神经网络 (CNN) 和变压器网络是计算病理学的领先架构.
- 现有的方法经常与多样化和域外数据集作斗争.
研究的目的:
- 开发一种新的混合深度学习模型,用于增强癌症分类.
- 为了利用CNN和变形金刚的优势,实现卓越的性能.
- 提高自动化癌症分类系统的稳定性和准确性.
主要方法:
- 提出DAX-Net,一个双分支,双任务的自适应式交叉重量特征融合网络.
- 整合来自CNN和变压器分支机构的异质特征表示.
- 使用分类和顺序分类任务与定制的损失函数进行优化.
主要成果:
- 在结直肠癌数据集上,DAX-Net实现了高准确度 (88.4%在域内,84.4%在域外).
- 对于前列腺癌,DAX-Net表现出强的性能 (71.6%在域内,高达79.2%在域外).
- 拟议的方法显著优于竞争方法,特别是在域外测试集上.
结论:
- 在不同的测试条件下,DAX-Net表现出高精度和稳定性.
- 该模型的性能表明它有可能在临床环境中促进癌症的自动分类.
- 这种混合方法为推进数字病理学工具提供了一个有希望的方向.
