深度学习用于基于细粒度分子的结直肠癌分类.

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物信息学是一种生物信息学.

背景情况:

• 结肠直肠癌 (CRC) 是全球癌症死亡的主要原因.
• 像MSI,BRAF,KRAS和NRAS这样的分子标志物对于CRC诊断至关重要.
• 传统的分子检测方法昂贵且耗时.

研究的目的:

• 开发一种细粒度的CRC分类方法,使用血素和素 (H&E) 染色组织图像.
• 利用深度学习 (DL) 技术,为CRC分子诊断提供新的见解.
• 为传统方法提供潜在的更快,更具成本效益的替代方案.

主要方法:

• 创建了一个由383个CRC患者的H&E图像 (LZUFH_CRC) 的数据集.
• 提出了一个混合DL模型,将卷积神经网络 (CNN) 和视觉变压器 (ViT) 结合起来.
• 采用了两阶段的培训策略,随后进行绩效评估和比较.

主要成果:

• 混合DL模型在LZUFH_CRC数据集上实现了0.524的精度 (ACC) 和0.791的AUC.
• 该模型在MSI (F1分数0.724) 和NRAS (F1分数0.514) 分类方面表现强.
• 特征激活地图突出显示了该模型的重点是瘤-肌瘤边界和介质细胞区域,在临床特征上没有显著的偏差.

结论:

• 开发了一种新的基于DL的细粒度分类方法,用于CRC使用H&E图像.
• 这项研究表明DL技术在CRC中具有分子检测的前景.
• 未来的工作将集中在优化模型,以提高CRC分类的准确性和效率.