先进的混合深度学习模型,用于增强评估骨髓瘤组织病理学图像

科学领域:

• 人工智能的人工智能
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 机器学习,特别是深度学习 (CNNs,ViTs),正在彻底改变用于癌症检测和分类的医学图像分析.
• 骨髓瘤 (OS) 是青少年常见的骨癌,需要早期和准确的诊断,以改善患者的治疗结果.
• 由于癌症患病率上升,在精确的OS诊断和个性化治疗方面存在挑战.

研究的目的:

• 开发和验证一种新的混合深度学习模型,用于增强骨髓瘤诊断.
• 为了提高分类OS亚型的准确性,使用基因病理图像.

主要方法:

• 开发了一种混合模型,将卷积神经网络 (CNN) 集成为本地特征提取和视觉转换器 (ViT) 用于全球模式识别.
• 该模型使用血素和乙素 (H&E) 染色的基因病理图像进行分析.
• 多层感知器 (MLP) 分类器被用于四个类别的分类:非瘤 (NT),非活跃瘤 (NVT),活跃瘤 (VT) 和非活跃比率 (NVR).

主要成果:

• 混合模型在癌症成像档案 (TCIA) 数据集上实现了高性能指标:准确率为99.08%,精度为99.10%,回忆率为99.28%,F1-score为99.23%.
• 这项研究代表了使用TCIA数据集的OS亚型的第一个成功的四类分类.
• 结果为骨髓瘤研究和诊断准确性建立了新的基准.

结论:

• 拟议的混合CNN-ViT模型在分类骨髓瘤亚型方面表现出卓越的性能.
• 这种方法为提高骨髓瘤诊断的精度和效率提供了巨大的潜力.
• 这些发现为改善骨髓瘤管理中的个性化治疗策略铺平了道路.