图表神经网络用于前列腺组织病理学中的格里森分级图像

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字病理学数字病理学

背景情况:

• 前列腺癌是癌症死亡的一个重要原因.
• 准确的格里森分级对于确定治疗策略至关重要.
• 当前的分级方法可能是主观的,耗时的.

研究的目的:

• 开发和验证图形神经网络 (GNN) 模型用于自动格里森分级.
• 评估GNN在从组织病理学图像分类前列腺癌攻击性的有效性.
• 改进对侵袭性癌症等级的检测,特别是格里森等级5.

主要方法:

• 使用了自动化格里森评分挑战2022数据集.
• 构建的补丁级图表从血素和酸盐染色的整片图像.
• 使用图表注意网络 (GAT) 和图表卷积网络 (GCN) 进行分类.
• 综合焦点损失以解决阶级不平衡,特别是在格里森5年级.

主要成果:

• 全国统计数字有效地区分了格里森等级,证明了对阶级不平衡的稳定性.
• 焦点损失显著提高了少数群体格莱森5级的分类准确性.
• 与最先进的方法相比,拟议的GNN模型取得了更高的性能.
• 在不依赖扫描仪概括技术的情况下获得了高F1分数.

结论:

• 图形神经网络为自动化前列腺癌格里森分级提供了一种强大而准确的方法.
• 开发的模型显示了提高诊断效率和患者分层的潜力.
• 这种人工智能驱动的方法可以帮助病理学家更有效地识别侵袭性前列腺癌.