视觉转换器用于低质量的组织病理图像:关于状细胞癌边缘分类的案例研究

科学领域:

• 数字病理学数字病理学
• 人工智能在瘤学中的应用
• 医学成像分析分析 医学成像分析

背景情况:

• 状细胞癌 (SCC) 的诊断具有挑战性,尤其是在资源有限的地区,成像质量差.
• 准确的SCC边缘分类对于有效的手术和预防复发至关重要.

研究的目的:

• 开发和评估基于视觉转换器 (ViT) 的模型,以改进SCC边际分类.
• 为了解决卷积神经网络 (CNN) 的局限性,使用低质量的基因病理图像.

主要方法:

• 使用转移学习,采用定制的ViT架构.
• 通过五倍交叉验证来评估性能,并与领先的CNN模型进行比较.
• 废弃研究调查了建筑选择的影响.

主要成果:

• 与最好的CNN相比,ViT模型获得了更高的精度 (0.928) 和AUC (0.927) (InceptionV3:精度0.86,AUC 0.837).
• ViT在低质量的基因病理图像上表现出卓越的性能.
• 建筑配置显著影响了诊断性能.

结论:

• ViT为组织病理学分析提供了变革性的潜力,特别是在资源有限的环境中.
• ViT模型提高了诊断准确度,并减少了对高质量的成像的依赖.
• 这种方法为全球癌症诊断提供了一个可扩展的解决方案.