视觉转换器和ConvNeXt的ViSwNeXtNet深度补丁智能集成,用于强大的二进制组织病理学分类

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能
• 数字病理学数字病理学

背景情况:

• 肠道形 (IM) 是一种癌前胃病,需要准确的诊断才能进行早期干预.
• 传统的H&E幻灯片的组织病理学评估是劳动密集型的,并且受观察者之间的变化影响.
• 深度学习,特别是变压器模型,显示出改善病理学诊断准确性的前景.

研究的目的:

• 开发和评估ViSwNeXtNet,这是一种使用基于变压器的模型来诊断肠道转化症的新型补丁智能组合框架.
• 评估ViSwNeXtNet在定制收集和公共数据集上的性能.

主要方法:

• 拟议的ViSwNeXtNet框架集成了ConvNeXt-Tiny,Swin-Tiny和ViT-Base变压器模型用于特征提取.
• 功能被连接在一起,使用代邻域组件分析 (INCA) 减少维度,并使用二次方位SVM进行分类.
• 根据自定义数据集 (516个IM,521个控制) 和公共GasHisSDB数据集 (20160个正常,13124个异常补丁) 进行评估.

主要成果:

• 在自定义数据集上,ViSwNeXtNet实现了94.41%的准确性,94.63%的灵敏度和94.40%的F1得分.
• 在GasHisSDB数据集上,性能达到99.20%的准确度,99.39%的灵敏度和99.16%的F1得分.
• 该模型的表现优于个别的骨干模型,并显示出强大的通用性.

结论:

• 使用一组变压器模型,ViSwNeXtNet有效地结合了本地,区域和全球组织特征.
• 基于INCA的特征选择显著改善了分类和减少了维度.
• 这些发现支持ViSwNeXtNet在临床病理学工作流程中整合的潜力,以改善胃癌预防.