基于融合特征的混合方法用于在组织病理学图像中诊断口腔状细胞癌

科学领域:

• 人工智能在病理学中的应用
• 计算机视觉用于医学诊断
• 生物医学图像分析

背景情况:

• 口腔状细胞癌 (OSCC) 的诊断依赖于准确的病理分析.
• 目前的诊断方法可以通过先进的计算技术来增强.
• 早期发现OSCC对于改善患者的治疗结果至关重要.

研究的目的:

• 评估交叉注意力视觉变压器 (CrossViT) 对早期OSCC检测的有效性.
• 开发和验证一个混合AI模型,集成CrossViT和专家提取的功能,以改善OSCC诊断.
• 提高病理图像中OSCC诊断的准确性和稳定性.

主要方法:

• 利用CrossViT架构与双重注意力机制进行多规模的特征处理.
• 结合CrossViT提取的特征与手动提取的病理特征.
• 使用卷积神经网络 (CNN) 和人工神经网络 (ANN) 进行图像分析和分类.
• 在两个独立的OSCC数据集上验证了模型.

主要成果:

• 混合模型实现了高诊断准确率的99.36%和99.59%.
• 与独立的CNN和视觉变压器 (ViT) 模型相比,表现出卓越的性能.
• 显著改善了区分恶性和良性病变的能力.

结论:

• 结合深度学习和专家特征的混合人工智能模型显示出临床病理学的巨大潜力.
• 拟议的模型显著提高了OSCC的诊断准确性.
• 未来的工作包括数据集扩展和临床应用的可解释性分析.