让它发光:帕帕尼科劳染料的自光改善了基于人工智能的细胞口腔癌检测

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 口腔癌是一个全球性的健康挑战,在后期阶段,存活率急剧下降.
• 目前的诊断方法依赖于侵入性组织采样,突出了需要非侵入性,具有成本效益的替代方案.
• 准确的细胞学分析对于早期检测至关重要,但细胞层次的注释挑战阻碍了AI模型的开发.

研究的目的:

• 通过使用多式成像和深度多式信息融合,增强基于人工智能的口腔癌检测.
• 通过采用弱监督的深度学习方法来克服细胞级注释的局限性.
• 评估各种多式联运信息融合策略的有效性,以提高诊断准确度.

主要方法:

• 结合亮场和光全片显微镜的Papanicolaou染色细胞学幻灯片从口腔刷活检.
• 使用一个弱监督的深度学习框架,仅依靠患者级别的标签.
• 评估了早期,晚期和中间的多式联运信息融合策略,包括共同注意力融合网络 (CAFNet).

主要成果:

• 光成像为帕帕尼科劳染色细胞学样本提供了大量的诊断信息.
• 多模式信息融合显著提高了分类性能和口腔癌检测准确度,而不是单模式方法.
• 采用中间聚变的CAFNet模型实现了卓越的细胞水平F1得分 (83.34%) 和精度 (91.79%),超过了人类的性能;准确的图像注册至关重要.

结论:

• 深度学习,多式成像和信息融合为非侵入性口腔癌早期检测推进了细胞病理学.
• 开发的方法提高了诊断准确度,并促进了高效的临床工作流程.
• 经过验证的开源框架和多模式数据集支持未来细胞学分析研究.