多SCCHisto-Net-KD:一个深度的网络,用于多器官可解释状细胞癌的诊断与知识蒸
Swathi Prabhu1, Keerthana Prasad2, Thuong Hoang3
1Department of Information and Communication Technology, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, 576104, Karnataka, India.
Computers in biology and medicine
|December 11, 2024
概括
一个新的深度学习模型,MultiSCCHisto-Net,在任何器官的低放大基因病理图像中准确检测状细胞癌 (SCC). 知识蒸产生了一个更小,高效的模型 (MultiSCCHisto-Net-KD) 具有高准确性,改善SCC诊断.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 组织病理学图像分析分析.
背景情况:
- 状细胞癌 (SCC) 诊断依赖于对组织病理图像的手动分析,这是耗时和主观的.
- 现有的深度学习模型往往侧重于高放大图像和特定器官,忽视各种来源的低放大结构异常.
- 深度神经网络的计算成本阻碍了其在图像分析中的实用应用.
研究的目的:
- 开发一个强大的深度学习模型,以在低放大图像中检测状细胞癌 (SCC),而不论来源器官.
- 通过知识蒸来解决深度学习模型的计算成本,创建一个高效但准确的诊断工具.
- 通过可解释的人工智能技术,增强模型的解释性并建立对诊断结果的信心.
主要方法:
- 提出了一种新的深度神经网络,MultiSCCHisto-Net,用于检测来自各种器官的低放大图像中的SCC.
- 实施知识蒸,从复杂的教师模型中培养一个较小,高效的学生模型 (MultiSCCHisto-Net-KD),保持绩效并提高概括性.
- 集成梯度加权类激活映射 (Grad-CAM) 用于可解释的AI,可视化图像区域对于SCC分类至关重要.
主要成果:
- MultiSCCHisto-Net-KD模型在私人多中心数据集上实现了97%的高准确率,在公共数据集上达到93%.
- 与现有的最先进的模型相比,该模型在跨多种基因病理图像的SCC检测中表现出卓越的性能.
- 可解释的人工智能技术提供了支持模型分类决策的视觉证据,增强了诊断信心.
结论:
- 拟议的MultiSCCHisto-Net及其蒸版 (MultiSCCHisto-Net-KD) 为在低放大基因病理中检测SCC提供了强大,准确和计算效率高的解决方案.
- 该模型能够在不同来源器官进行概括,这代表了自动计算病理学的重大进步.
- 知识蒸和可解释AI的整合为癌症研究中更可靠和更易于解释的AI驱动的诊断工具铺平了道路.
