基于监督对比学习的基因病理图像的有效结肠直肠聚分类

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 早期检测结肠腺瘤多是减少结肠癌风险的关键.
• 在适当的患者管理中,精确地区分腺瘤聚亚型 (管状,管状状) 和超塑性聚是必不可少的.
• 现有的诊断方法可能会受益于在组织病理学分析中提高准确性和效率.

研究的目的:

• 开发和验证一种新的计算机辅助诊断 (CADx) 系统,用于分类结肠的亚型.
• 增强图像分类模型对结肠组织病理学的歧视力.
• 为了提高区分腺瘤和超塑性结肠多的准确性.

主要方法:

• 利用监督对比学习来精确分类结肠组织病理学图像.
• 整合了大转移 (BiT) 模型,以其在医学成像任务中的适应性而闻名.
• 开发了一种新的方法来区分课堂内和课外图像,以改善歧视.
• 在自定义数据集和公共UniToPatho数据集上验证了系统.

主要成果:

• 开发的CADx系统在定制数据集上实现了87.1%的分类准确率,在UniToPatho数据集上达到70.3%.
• 与传统的深层卷积神经网络相比,其表现优越.
• 高精度地成功地区分了腺瘤和超塑性息肉亚型.

结论:

• 拟议的计算机辅助诊断系统显示出对准确的结肠多类别有很大的潜力.
• 这种人工智能驱动的方法可以帮助病理学家在癌前病变的早期和精确检测.
• 集成先进的深度学习技术为结肠癌预防策略提供了一个变革性的工具.