一种基于学习的混合多实例识别胃腺癌在整片图像上的分化
Mudan Zhang1, Xinhuan Sun1,2, Wuchao Li1
1Department of Radiology, Guizhou Provincial Key Laboratory of Intelligent Medical Image Analysis and Precision Diagnosis, Guizhou Provincial People's Hospital, No. 83 Zhongshan East Road, Nan Ming District, Guiyang, 550002, Guizhou, China.
Biomedical engineering online
|June 25, 2025
概括
一种新的混合多实例学习模型 (TGMIL) 准确地将胃腺癌与整片图像的差异化分类. 这种基于变压器和图表注意力网络的方法消除了手动注释的需要,提高了诊断效率和客观性.
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:
- 胃腺癌分化分类对于治疗计划至关重要.
- 为此任务手动注释整个幻灯片图像 (WSIs) 是劳动密集型和主观的.
- 需要自动化方法来提高诊断效率和客观性.
研究的目的:
- 开发和评估一种混合多实例学习模型 (TGMIL),用于分类胃腺癌分化.
- 评估TGMIL在没有手动注释的全幻灯片图像 (WSI) 上的性能.
- 将TGMIL与胃癌分化分类的现有模型进行比较.
主要方法:
- 开发了一种混合多实例学习模型,TGMIL,集成了变换器和图表注意力网络.
- 来自胃腺癌患者的613个WSI的数据集被追溯收集并分为正常,良好,中等和差异化小组.
- 数据集被分为培训 (494张图像) 和测试 (119张图像) 集,由病理学家进行区分.
主要成果:
- TGMIL模型在差异预测方面表现出高效率,达到73.33%的灵敏度,91.11%的特异性和0.86.11%的AUC.
- 对比分析显示,TGMIL的表现优于其他模型,如MIL,CLAM_SB,CLAM_MB,DSMIL和TransMIL.
- 该模型成功地分类了胃腺癌分化,没有手册注释.
结论:
- TGMIL模型提供了一种准确而有效的方法,用于使用WSIs对胃腺癌分化进行分类.
- 这种自动化方法减少了对手工注释的依赖,提高了诊断速度和一致性.
- TGMIL有可能提高胃癌诊断的客观性和效率.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.9K
05:33Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
275