对乳腺癌卷积神经网络和变压器架构进行比较分析 图像分类 histopathological 图像分类
Bo Yuan1, Yudie Hu1, Yan Liang1
1The First Hospital of Hunan University of Chinese Medicine, Hunan University of Chinese Medicine, Changsha, China.
Frontiers in medicine
|July 2, 2025
概括
深度学习模型显示,从病理图像中诊断乳腺癌的准确性很高. 像UNI这样精心调整的变压器模型在复杂的多类任务中表现出色,改善了数字病理学.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 乳腺癌是全球女性的主要恶性瘤,由于微妙的早期症状,经常被诊断为晚期.
- 组织病理学是诊断的黄金标准,但可能涉及解释变化.
- 深度学习 (DL) 有潜力提高乳腺癌管理的诊断准确性和效率.
研究的目的:
- 评估14个深度学习模型在乳腺癌诊断中的性能.
- 为了比较卷积神经网络 (CNN) 和基于变压器的架构.
- 评估微调对变压器基础模型的影响.
主要方法:
- 在BreakHis v1数据集上训练和评估了14个DL模型 (CNN和变压器).
- 使用的指标:准确性,特异性,回忆,F1分数,科恩的卡帕,ROC和AUC.
- 在二进制和八类分类任务中评估模型.
主要成果:
- 在二进制分类中,多个模型实现了近乎完美的性能 (AUC 0.999).
- ConvNeXT (CNN) 在二进制任务中显示出最好的整体性能 (准确率为99.2%).
- 微调的变压器模型UNI在复杂的八类任务中实现了95.5%的准确性,超过了零射击模型.
结论:
- 深度学习模型对于乳腺癌病理学图像分类非常有效.
- 微调对于变压器基础模型来说至关重要,以实现最佳性能.
- 适应的基础模型对数字病理学有希望,特别是在多类分类场景中.
