通过使用弱监督的图形变换器进行转移学习,在手术前活检中增强基底细胞癌的分类
Johan Björkman1,2, Sigrid Lagerroth2, Jan Siarov2,3
1Department of Physics, Chalmers University of Technology, Gothenburg, Sweden.
BMC medical imaging
|May 16, 2025
概括
转移学习显著改善了在活检中自动基底细胞癌 (BCC) 的分类,即使在有限的数据上也实现了高准确性. 这种方法提高了这种常见的皮肤癌的诊断精度.
科学领域:
- 计算病理学计算病理学
- 机器学习在组织病理学中的应用.
- 数字诊断数字诊断的使用.
背景情况:
- 基底细胞癌 (BCC) 是全球最常见的皮肤癌,造成了相当大的医疗负担.
- 高精度的自动化BCC诊断需要大型注释数据集,这些数据集的获取具有挑战性和昂贵.
- 本研究通过微调BCC分类的机器学习模型来解决对高效诊断工具的需求.
研究的目的:
- 微调一个弱监督的机器学习模型,用于在手术前的穿孔活检中对基底细胞癌 (BCC) 进行分类.
- 利用转移学习来克服数据稀缺性和计算病理学的变化性挑战.
- 提高自动化BCC检测系统的通用性和诊断准确性.
主要方法:
- 利用基底细胞分类 (BCCC) 数据集514个整片图像 (WSIs) 的穿孔活检进行培训,验证和测试.
- 使用预训练的simCLR模型提取特征,并使用视觉变压器处理它们,通过图形形成将空间信息纳入.
- 在BCCC上评估了微调,非微调预训练和模型,并在COBRA数据集 (3,588个WSI) 上进行外部验证.
主要成果:
- 微调的模型实现了卓越的性能,在BCCC数据集上准确度为91.7% (2级),82.1% (3级) 和75.3% (5级).
- 对COBRA数据集的外部验证显示准确率为84.9% (2级) 和70.5% (3级).
- 除研究证实了微调模型的优势,显示了平均准确度的显著改善,而不是从头开始训练的模型.
结论:
- 转移学习有效地提高模型性能,特别是在计算病理学中常见的数据有限场景中.
- 该研究验证了预训练模型在复杂的遗传病理学分析中对强大的特征提取的实用性.
- 这种方法为自动BCC分类提供了可扩展和准确的解决方案,解决了注释数据集可用性的局限性.
