使用多道注意力机制和转移学习方法对组织病理学图像进行胃癌分类的可解释框架

科学领域:

• 医疗图像分析 医疗图像分析
• 人工智能在瘤学中的应用
• 计算病理学计算病理学

背景情况:

• 胃癌 (GC) 诊断严重依赖于组织病理学图像分析.
• 传统的深度学习模型在医疗数据中的解释性,复杂模式和噪音敏感性方面存在困难.
• 需要先进的AI解决方案来提高GC分类的准确性.

研究的目的:

• 开发和评估一个基于多道注意力机制的框架,用于GC体系病理学图像分类.
• 在分析复杂的医学图像方面克服传统深度学习模型的局限性.
• 提高人工智能驱动的GC诊断的准确性和可靠性.

主要方法:

• 一个新的框架,利用三个不同的注意力机制通道和卷积神经网络.
• 提取多通道特征以动态聚焦相关图像特征.
• 在公开可用的胃组织病理学亚大小图像数据库和HCRF数据集上进行验证.

主要成果:

• 在胃组织病理学子尺寸图像数据库上实现了99.07%的验证和98.48%的测试准确性.
• 在HCRF数据集上实现了99.84%的验证率和99.65%的测试准确率.
• 废除和可互换性实验证实了个别注意力道的有效性.

结论:

• 拟议的多道注意力框架显著增强了GC体系病理学图像分类.
• 这种人工智能解决方案提供了更好的诊断精度和更好的治疗结果的潜力.
• 该框架为复杂的医学图像分析提供了一个务实的方法,解决了独特的数据特征.