整合地方和全球关注机制,以提高口腔癌的检测和可解释性
Syed Jawad Hussain Shah1, Ahmed Albishri2, Rong Wang3
1Computer Science, School of Science and Engineering, University of Missouri-Kansas City, Kansas City, USA.
Computers in biology and medicine
|March 8, 2025
概括
这项研究介绍了OCANet,这是一个深度学习模型,用于在组织病理学图像中改进口腔癌检测. OCANet提高了瘤细分的准确性,并为更好的诊断提供了可解释的结果.
科学领域:
- 计算病理学计算病理学
- 人工智能在诊断中的应用
- 医疗图像分析 医学图像分析
背景情况:
- 早期发现口腔状细胞癌 (OSCC) 对生存至关重要.
- 传统的OSCC诊断方法可能会产生不一致的结果.
- 深度学习模型显示出有希望的结果,但可能错过了复杂的癌症模式.
研究的目的:
- 引入口腔癌注意网络 (OCANet),这是一个基于U-Net的架构,用于在H&E染色图像中增强瘤细分.
- 提高深度学习模型在癌症诊断中的可解释性,使用LLMs.
- 为了捕捉现有模型忽略的复杂的癌症模式.
主要方法:
- OCANet集成了地方和全球关注机制,包括CSAF,SE区块,ASPP和剩余连接.
- 该模型在OCDC,ORCA和DigestPath数据集上进行了评估.
- 绩效指标包括准确性,子相似系数 (DSC) 和平均跨欧盟交叉点 (mIoU).
主要成果:
- 与最先进的模型相比,OCANet在所有评估的数据集中实现了卓越的性能.
- 在ORCA数据集上,OCANet的准确率达到90.98%,DSC为86.14%,MIOU为77.10%.
- 该模型在DigestPath数据集上表现出强烈的概括性,84.65%的DSC,在区分癌症区域方面显示出高的特异性.
结论:
- OCANet显著提高了瘤细分的准确性和在组织病理图像中的可解释性.
- 它的多模式可解释性框架提高了透明度,并有助于临床决策.
- OCANet是一个计算效率高且有前途的工具,用于口腔癌和其他癌症诊断,特别是在资源有限的环境中.
