将注意力网络集成到混合模型中,用于预测乳腺癌中的HER2状态
R Sarankumar1, M Ramkumar2, V Karthik2
1Department of Electronics and Communication Engineering, Karpagam College of Engineering, Coimbatore, 641032, Tamilnadu, India.
概括
本研究介绍了EHMOA-net,这是一个先进的模型,用于预测乳腺癌中人类表皮生长因子受体2 (HER2) 状态. 这种新的方法显著提高了使用异位病理学图像分析的预测准确性.
科学领域:
- 在瘤学瘤学.
- 生物医学图像分析
- 计算病理学计算病理学
背景情况:
- 乳腺癌是女性癌症死亡的主要原因,人类表皮生长因子受体2 (HER2) 状态对预后和治疗至关重要.
- 目前用于在瘤中预测HER2状态的方法不够准确,需要改进的诊断工具.
研究的目的:
- 为了提高乳腺癌中HER2状态预测的准确性,使用组织病理学图像.
- 引入一个带有优化注意网络 (EHMOA-net) 的增强混合模型,以提高诊断能力.
主要方法:
- 利用基于编码器-解码器的混合权重对齐与多扩展U网 (EDMDU) 在TCGA数据集上的补丁细分.
- 应用了增强的Macenko染色规范化和改进的非亚样本的shearlet转换来提取特征.
- 采用混合增强的粗k-means集群和模糊C-Means (HERFCM) 算法用于补丁集群和嵌套图形神经网络,用于HER2预测.
主要成果:
- 拟议的EHMOA网络在组织病理学图像上实现了97.85%的预测准确度.
- 该模型与HER2状态预测的现有技术相比显示出更高的性能.
结论:
- 在乳腺癌中,EHMOA-net有效地提高了HER2预测的准确性.
- 开发的模型显示了在乳腺癌诊断中临床应用的巨大潜力.
