一个基于视觉转换器的框架,用于将知识从多模式转移到单模式淋巴瘤亚型模型
IEEE journal of biomedical and health informatics
|May 31, 2024
概括
本研究介绍了一个深度学习框架,使用视觉转换器来对分散型大B细胞淋巴瘤 (DLBCL) 从整个幻灯片图像 (WSI) 中进行亚型化. 该模型显示出有前途的性能,可能为当前诊断方法提供更快,更具成本效益的替代方案.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 计算生物学是一种计算生物学.
背景情况:
- 准确的淋巴瘤亚型确定对于有针对性的患者治疗和改善生存率至关重要.
- 目前的黄金标准基因表达和免疫组织化学 (IHC) 方法昂贵,耗时,并且可能不那么准确.
- 采用深度学习的全幻灯片图像 (WSI) 分析为具有成本效益和快速癌症诊断提供了潜力.
研究的目的:
- 开发和评估基于视力转换器的框架,用于使用高分辨率WSIs区分分散型大B细胞淋巴瘤 (DLBCL) 亚型.
- 引入用于训练分类器的多模式架构,并为高效的单模式分类器使用知识蒸.
- 评估模型的性能与最先进的方法相比,以及它对未来诊断应用的潜力.
主要方法:
- 开发用于WSI分析的多模式视觉变压器架构.
- 应用知识蒸来训练一个高效的单模分类器.
- 在淋巴瘤数据集 (157名患者) 和外部乳腺癌数据集 (BCI) 上进行实验验证.
主要成果:
- 拟议的单模分类模型表现出卓越的性能,在淋巴瘤数据集上超过了最近六种最先进的方法.
- 权力法曲线分析表明,培训数据的增加可能会导致诊断准确度与IHC技术相竞争.
- 通过对外部乳腺癌数据集的验证,证实了该框架的效率.
结论:
- 基于视觉转换器的框架显示了从WSIs中准确和高效的DLBCL亚型化显著的潜力.
- 该方法为现有诊断方法提供了一个有希望的,具有成本效益的,更快的替代方案.
- 进一步增强数据可以提高模型的诊断准确性,可能与当前的临床标准相竞争.
