学习可概括的AI模型用于多中心组织病理学图像分类

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 机器学习在医学中的应用

背景情况:

• 组织病理学幻灯片分析对于癌症诊断至关重要.
• 人工智能 (AI) 提供了提高病理学准确性和效率的潜力.
• 由于数据的变化,将深度学习模型推广到多个中心至关重要.

研究的目的:

• 开发一种新的方法,用于对多中心组织病理学数据的深度学习模型进行概括.
• 解决人工智能驱动病理学现有领域适应技术的局限性.
• 提高人工智能的性能和可靠性,从各种数据集中分类癌症亚型.

主要方法:

• 拟议的基于富里埃的对抗性域调整 (AIDA),利用富里埃变换属性.
• 将AIDA应用于卵巢,肺,膀和乳腺癌的多中心数据集.
• 将AIDA与基线,颜色增强,正常化和标准对抗域调整 (ADA) 进行比较.

主要成果:

• 在四种癌症类型中,AIDA显著改善了目标领域的分类性能.
• 拟议的方法表现优于基线,颜色增强,正常化和ADA技术.
• 病理学家的审查证实了AIDA识别组织型特异性特征的能力.

结论:

• 艾达有效地解决了多中心组织病理学深度学习中的泛化挑战.
• 该方法显示了在临床病理学中增强AI诊断工具的巨大潜力.
• 艾达提供了一个有前途的解决方案,用于强大而准确的AI驱动的癌症亚型.