骨髓瘤和骨的多模式诊断方法使用高光谱成像和深度学习
Yan Li1, Bingsen Zhao2, Shuangxiu Li2
1Department Orthopedics, Dalian Second People's Hospital, Dalian, China.
Journal of biophotonics
|May 13, 2025
概括
一个新的深度学习框架,J-CAN,使用高光谱成像 (HSI) 和病理幻灯片来准确地区分骨髓和骨,改善诊断.
科学领域:
- 生物医学工程 生物医学工程
- 计算病理学计算病理学
- 医疗成像医学成像
背景情况:
- 由于外表相似,难以区分骨肉瘤与骨.
- 当前的组织病理学方法在区分这些疾病方面存在局限性.
研究的目的:
- 开发一个多式深度学习框架 (J-CAN) 准确的骨髓瘤分类.
- 整合高光谱成像 (HSI) 和H&E染色病理学,以提高诊断能力.
主要方法:
- J-CAN框架结合了MobileNetV2用于空间特征和1D-CNN用于来自HSI (176波段,400-1000纳米) 的光谱签名.
- 使用自我注意机制来优先考虑关键的光谱和空间特征.
- 对LSTM,SVM和1D-CNN等传统模型进行性能评估.
主要成果:
- J-CAN实现了87.33%的准确度,89.07%的灵敏度和85.49%的特异性.
- 与传统的分类模型相比,拟议的框架显示出更高的性能.
- 整合HSI和深度学习显著提高了分类准确性.
结论:
- 由HSI驱动的深度学习为自动化和精确的骨髓瘤诊断提供了一个有前途的方法.
- J-CAN提高了诊断准确度,帮助病理学家区分骨髓瘤与骨.
- 这项技术有可能彻底改变临床病理学工作流程.


