利用弱互补标签增强了肝细胞癌和肝脏内胆管癌的语义细分

科学领域:

• 数字病理学数字病理学
• 医学图像分析 医学图像分析
• 在瘤学中使用人工智能

背景情况:

• 肝细胞癌和肝内胆管癌是常见的肝癌.
• 从整个幻灯片图像中精确细分这些癌症对于诊断和治疗至关重要.
• 当前的语义细分方法需要广泛的像素级注释,这是耗时和昂贵的.

研究的目的:

• 开发一种深度学习细分方法来分类肝细胞癌和肝内胆管癌.
• 利用患者诊断中的弱互补标签来提高细分的准确性和稳定性.
• 在医学图像分析中减少对昂贵的像素级注释的依赖.

主要方法:

• 开发了一个深度学习细分模型,使用血素和素 (H&E) 染色的整张幻灯片图像.
• 补充标签,表示一个样本不能属于的类别,是从现有的诊断信息中得出的.
• 为了将这些弱标签纳入培训过程,制定了一种新的补充损失函数.
• 该模型的性能被评估在肝细胞癌和肝脏内胆管癌之间的区别.

主要成果:

• 拟议的方法在165名患者的病例水平上实现了0.91 (95% CI:0.86-0.95) 的平衡准确性.
• 利用互补标签显著提高了细分模型的预测性能和稳定性.
• 该方法显示了增强的细分稳定性和增加的案例级性能.

结论:

• 使用互补标签的深度学习细分为分类肝癌提供了一种有效的策略.
• 这种方法减少了对大量手动注释的需求,使得人工智能辅助诊断更容易获得.
• 这些发现突出了利用常规可用的临床数据来增强医学图像分析模型的潜力.