对卵巢上皮瘤粗特征的基于深度学习的分析分类:帮助病理学家进行冷截面采样的工具
Dong He1, Longhai Jin2, Hanhan Geng3
1Department of Pathology, The Second Hospital of Jilin University, Jilin University, Jilin, Changchun, 130041, PR China; State Key Laboratory of Integrated Optoelectronics, College of Electronic Science and Engineering, Jilin University, Jilin, Changchun, 130022, PR China.
Human pathology
|March 23, 2025
概括
这项研究引入了一种深度学习模型,即基于Swin-Transformer的粗特征侦探网络 (SGFD网络),用于分析卵巢上皮瘤的粗图像. SGFD网络帮助病理学家识别患病区域,区分瘤类型,提高诊断准确度.
科学领域:
- 计算病理学计算病理学
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
背景情况:
- 计算病理学传统上分析组织幻灯片,忽视粗略的图像数据.
- 卵巢上皮瘤的毛细特征包含关键的诊断信息.
- 准确区分边缘瘤与微侵袭在冷切片采样中具有挑战性.
研究的目的:
- 开发一种深度学习模型,用于分析卵巢上皮瘤的粗略特征.
- 帮助病理学家定位疾病区域,提高诊断准确度.
- 具体解决区分边缘瘤与微侵袭/微侵袭性癌症的挑战.
主要方法:
- 利用Swin变压器架构创建基于Swin变压器的总特征侦探网络 (SGFD网络).
- 在4129张卵巢上皮质瘤粗略图像上训练模型.
- 雇员类激活映射-grad和k-means集群用于特征可视化和总结.
主要成果:
- 获得的高准确率: 88.9% (良性),86.4% (边缘性),93.0% (癌症).
- 与病理学家的评估表现出强烈的同意.
- 在区分边缘性瘤 (85.0%) 和微侵袭/微侵袭性癌症 (92.2%) 方面表现出高精度.
结论:
- 该SGFD网络有效地分析卵巢上皮质瘤诊断的总特征.
- 该模型有助于病理学家识别高风险区域,以便在冷部分进行有针对性的采样.
- 对粗特征的深度学习分析显示了改善卵巢瘤采样和诊断的巨大潜力.
