深度学习模型在食道癌的病理分类和分期中的应用:聚焦波视力变压器
Wei Wei1, Xiao-Lei Zhang2, Hong-Zhen Wang2
1Department of Oncology, Dongying People's Hospital, Dongying 257091, Shandong Province, China. ww19810122@163.com.
World journal of gastroenterology
|June 11, 2025
概括
深度学习,特别是波视变压器 (Wave-ViT),准确地分类和分期食道腺癌 (EAC). 这种人工智能模型提高了早期癌症检测和治疗的诊断效率.
科学领域:
- 医疗图像分析 医学图像分析
- 人工智能在瘤学中的应用
- 病理学信息学 病理学信息学
背景情况:
- 食道癌是全球癌症死亡的主要原因之一.
- 准确的病理分类和分期对于有效的食道癌治疗至关重要.
- 深度学习有可能提高食道腺癌 (EAC) 的诊断准确性.
研究的目的:
- 评估深度学习模型用于病理学分类和EAC的分期.
- 将波视变压器 (Wave-ViT) 的性能与其他模型进行比较.
- 评估AI在食道癌病理学的诊断准确性和效率.
主要方法:
- 深度学习模型的应用:多层感知子,残余网络,变压器和Wave-ViT.
- 在临床验证的食道病理图像数据集上的训练模型.
- 基于准确性,计算复杂性和效率的模型比较.
主要成果:
- 波视变压器 (Wave-ViT) 获得了最高的精度 (88.97%).
- 波动ViT的性能优于变压器 (87.65%),残余网络 (85.44%) 和多层感知子 (81.17%).
- 波-ViT证明了低计算复杂性和高效率的临床使用.
结论:
- 深度学习,特别是Wave-ViT,对精确的EAC病理分类和分期有很大的前景.
- 人工智能驱动的诊断可以提高自动化,支持食道癌的早期检测和治疗.
- 对Wave-ViT的进一步研究可能会扩大其在精密医学和医学图像分析中的应用.
