自动LNMNet:使用金字塔视觉转换器和来自多光子显微镜的数据来估计EGC中的淋巴结转移的自动化网络

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 淋巴结状况对于早期胃癌 (EGC) 治疗决策至关重要.
• 内镜下粘膜剖析是EGC的标准,但准确的分期仍然具有挑战性.
• 多光子显微镜为组织形态,特别是原纤维提供了洞察力.

研究的目的:

• 评估深度学习模型,以评估EGC中的淋巴结转移,使用原纤维形态学.
• 开发和验证一种新的AI模型,AutoLNMNet,用于改进淋巴结转移的检测.

主要方法:

• 在预处理图像上比较了四个深度学习模型 (VGG16,ResNet34,MobileNetV2,PVTv2).
• 从最好的模型 (PVTv2) 与临床数据集成功能,创建AutoLNMNet.
• 评估了AutoLNMNet的准确性和接收器操作特性,用于淋巴结转移的分期 (Ly0和Ly1).

主要成果:

• 在初步评估中,PVTv2模型表现出强的表现.
• 在没有转移 (Ly0) 和转移 (Ly1) 阶段,AutoLNMNet的预测准确度为0.92.
• 自动LNMNet显示了高的接收机操作特征值 (0.97对于Ly0,0.97对于Ly1).

结论:

• 自动LNMNet在检测EGC的淋巴结转移方面表现出高可靠性和准确性.
• 该模型为改善EGC的早期诊断和治疗计划提供了有价值的工具.
• 通过多光子显微镜的原纤维分析,与人工智能集成,显示了癌症分期的希望.