用GLCM特征和增强图形来对肺癌分类的组织病理图像进行基于图形的分析

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 基于图形的深度学习.

背景情况:

• 肺癌是癌症死亡的主要原因,需要精确的诊断工具来分类亚型.
• 准确地分类亚型,如腺癌 (ACA),状细胞癌 (SCC) 和良性组织 (BNT),对于有效的治疗至关重要.
• 传统的方法经常与全幻灯片图像 (WSIs) 的复杂性和规模作斗争.

研究的目的:

• 开发和验证一种新的增强图形测试 (E-GraphSAGE) 框架,用于从H&E染色的WSIs中对肺癌亚型进行分类.
• 将传统的图像处理技术与基于图形的深度学习 (GBDL) 整合起来,以提高诊断准确度.
• 根据最先进的模型评估框架的性能,并评估其临床实用性.

主要方法:

• 杆灰级共发生矩阵 (GLCM) 功能用于组织纹理量化.
• 构建了一个稀疏共弦相似度矩阵 (SCSM) 来建模图像补丁之间的空间关系.
• 采用了DeepWalk嵌入式和优化的E-GraphSAGE架构,具有掉落规范化和PCA以进行高效的分类.
• 在肺癌亚型和多细胞淋巴细胞癌分类 (DLBCL,FL,SLL) 上验证了模型.

主要成果:

• 实现了高性能指标,包括96%的训练准确率,90%的验证准确率,F1得分为0.91,DLBCL的AUC-ROC为0.95.
• 与最先进的模型 (GAT,GCN,ResNet-50,ViT) 相比,表现出优异的性能,总准确度为0.90,宏观平均AUC-ROC为0.93.
• 保持了25.7秒/幻灯片的快速推断速度,明显优于竞争方法.

结论:

• 通过将GNN与可解释特征工程统一起来,E-GraphSAGE框架为癌症亚型分类提供了一个可扩展和高效的解决方案.
• 该模型能够捕捉多尺度的组织病理学模式,从而提高诊断精度.
• 这种方法对血液病理学的临床决策支持具有重大前景,可能改善患者的治疗结果.