一个新的旋转和规模不变的深度学习框架,利用形变压器来精确区分脑膜瘤和单一纤维瘤
Mohamed T Azam1, Hossam Magdy Balaha1, Akshitkumar Mistry2
1BioImaging Lab, Department of Bioengineering, University of Louisville, Louisville, KY, USA.
Journal of pathology informatics
|March 19, 2025
概括
一个新的深度学习框架使用全幻灯片图像准确地区分脑膜瘤和单一纤维瘤 (SFT). 这种人工智能方法为传统诊断方法提供了具有成本效益和精确性的替代方案.
科学领域:
- 病理学 病理学 病理学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 脑膜瘤和单一纤维性瘤 (SFT) 具有共同的组织病理特征,使诊断复杂化.
- 准确的区分对于适当的患者管理至关重要.
- 目前的诊断方法 (免疫组织化学,分子技术) 是昂贵的,而且无法广泛使用.
研究的目的:
- 开发一个轮换和规模不变的深度学习框架,用于精确的脑膜瘤与SFT歧视.
- 为了利用全幻灯片成像 (WSI) 进行自动瘤分类.
主要方法:
- 使用形变压器的新型深度学习框架被设计用于分析WSIs.
- 该架构通过多个放大尺度捕捉全球和本地成像特征.
- 一个权重多数投票方案整合了来自不同尺度的决定,以提高准确性.
主要成果:
- 该框架在火车测试评估中达到92.27%的准确性,在四重交叉验证中达到94.68%的准确性.
- 证明了高灵敏度 (高达96.05%) 和特异性 (高达97.55%).
- 该模型在区分脑膜瘤与SFT方面表现出强的表现.
结论:
- 基于人工智能的诊断工具显示了精确的脑膜瘤和SFT差异化的巨大潜力.
- 拟议的深度学习框架为传统诊断技术提供了一个有希望的,可访问的替代方案.
- 这项技术可以彻底改变中枢神经系统瘤的病理诊断.
