使用大规模视觉变压器自动表征格拉姆染色血培养幻灯片的新框架
Jack McMahon1, Naofumi Tomita2, Elizabeth S Tatishev1
1Department of Computer Science, Dartmouth College, Hanover, New Hampshire, USA.
Journal of clinical microbiology
|February 24, 2025
概括
一个新的人工智能框架使用变压器模型进行自动的Gram染色全幻灯片图像分类. 这种人工智能方法可以提高血液感染的诊断速度和准确性,而无需手动注释.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 格拉姆染色对早期血液感染诊断至关重要,指导患者治疗.
- 目前分析格拉姆染色图像的方法可能是劳动密集型的,需要手动注释.
- 快速而准确的格拉姆染料分类对于及时的临床决策至关重要.
研究的目的:
- 开发一个可扩展的,基于人工智能的框架来分类Gram染色全幻灯片图像 (WSIs).
- 引入一种基于变压器的新型深度学习模型,用于自动化格拉姆染色分析.
- 在不同的数据集上评估模型的性能和通用性.
主要方法:
- 开发一种新的基于变压器的深度学习模型,用于WSI分类.
- 从达特斯 - 希奇考克医疗中心创建一个大型格拉姆染色数据集.
- 使用五倍嵌套交叉验证和对斯坦福健康的外部数据集进行测试的评估.
主要成果:
- 该模型实现了0.858准确度和0.952AUC,用于分类五类Gram染色WSIs.
- 在外部数据集上,该模型显示了0.926的准确性和0.865的AUC,用于二进制的阳性/阴性分类.
- 变压器模型被证明是可扩展的,并且不需要补丁级手动注释,与基于CNN的方法不同.
结论:
- 可扩展的变压器模型显示了自动格拉姆染色分类的巨大潜力.
- 开发的AI框架提高了在临床环境中进行格拉姆染色分析的速度和可靠性.
- 这种方法可以帮助更快地诊断和治疗血液感染.
