深度学习方法的系统比较,用于格里森评分和得分
Juan P Dominguez-Morales1, Lourdes Duran-Lopez1, Niccolò Marini2
1Robotics and Technology of Computers Lab., ETSII-EPS, Universidad de Sevilla, Sevilla 41012, Spain; SCORE Lab, I3US. Universidad de Sevilla, Spain.
Medical image analysis
|May 10, 2024
概括
这项研究比较了前列腺癌的深度学习方法,格里森分级和得分. 完全监督的学习在评分方面表现出色,而CLAM在评分方面最好,帮助研究人员选择最佳方法.
科学领域:
- 计算病理学计算病理学
- 数字遗传病理学图像分析图像分析
- 人工智能在瘤学中的应用
背景情况:
- 前列腺癌的诊断依赖于格里森得分,评估组织样本中的细胞异常.
- 计算病理学提供了先进的算法来分析数字化组织病理学图像.
- 在 Gleason 评分和评分任务的最佳深度学习方法上缺乏共识.
研究的目的:
- 系统地比较最先进的深度神经网络训练方法,用于格里森评分和得分.
- 评估来自病理学研究所和存储库的九个不同数据集的性能.
- 根据任务和数据特征,为选择最佳方法提供指导.
主要方法:
- 使用各种深度神经网络训练方法对9个数据集进行系统比较.
- 评估完全监督学习,弱监督学习,半监督学习,添加式MIL,基于注意力的MIL,双流MIL,TransMIL和CLAM.
- 这些方法应用于在数字化基因病理图像上的格里森分级和评分任务.
主要成果:
- 完全监督的学习在格里森分级任务中表现出卓越的表现.
- CLAM (上下文学习注意力模型) 对于格里森评分任务是最有效的.
- 各种方法的性能因数据集特征和标签可用性而异.
结论:
- 该研究确定了前列腺癌 Gleason评估的最佳深度学习策略.
- 对于格里森评分,建议完全监督学习,而对于格里森评分,则优先选择CLAM.
- 结果指导研究人员选择适合特定诊断挑战的计算病理学方法.
