结肠直肠癌瘤等级细分:一个新的数据集和基线结果

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
• 计算机视觉用于医学成像.

背景情况:

• 目前的瘤分类依赖于手动显微镜评估,这可以是主观和可变的.
• 全幻灯片成像技术使病理幻灯片的数字分析成为可能.
• 机器学习算法正在开发用于自动化病理幻灯片细分.

研究的目的:

• 提出一种新的,公开可用的数据集,用于结肠直肠癌瘤等级细分.
• 使用深度学习模型建立自动瘤分级的基线性能指标.
• 为了解决对结直肠癌细分的全面数据集的缺乏.

主要方法:

• 一个由103个结直肠癌全幻灯片图像组成的数据集进行了策划.
• 两个病理学家对瘤等级 (1-3) 和正常粘膜的像素智能细分口罩进行了注释.
• 在数据集上训练和评估了卷积神经网络 (CNN) 和变压器模型.

主要成果:

• 斯温特变压器型号的平均子得分为63%,优于其他型号.
• 与基于CNN的模型相比,基于变压器的模型表现出更高的性能.
• 开发的数据集有助于对大肠直肠癌自动分级的研究.

结论:

• 这一新型数据集支持人工智能工具的开发,用于公正和一致的结直肠癌瘤分级.
• 深度神经网络集成,特别是变压器,显示了数字病理学的巨大潜力.
• 公共可用的数据集对于在癌症诊断中推进人工智能至关重要.