多分辨率视觉转换器模型用于用整个幻灯片图像进行形性皮肤癌亚型分类
Abadh K Chaurasia1, Patrick W Toohey2, Helen C Harris3
1Menzies Institute for Medical Research, University of Tasmania, Australia; Pandani Solutions Pty Ltd, Hobart, Australia.
Computers in biology and medicine
|July 10, 2025
概括
一个新的多分辨率模型从整个幻灯片图像 (WSIs) 中准确地分类皮肤癌亚型. 这种人工智能工具帮助病理学家进行诊断,有可能改善患者的治疗结果,并帮助资源有限的环境.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 组织病理学图像分析分析.
背景情况:
- 数字病理图像的手动分析是耗时的,容易变化.
- 不一致的诊断可能会影响患者的治疗决策.
- 开发了一种多分辨率模型,从整个幻灯片图像 (WSIs) 中对皮肤癌亚型进行分类.
研究的目的:
- 开发和外部验证用于分类皮肤癌亚型的多分辨率AI模型.
- 用数字病理学来提高皮肤癌诊断的准确性和一致性.
- 帮助解剖病理学家检测和分类黑色素瘤和非黑色素瘤皮肤癌.
主要方法:
- 一个基于视觉转换器 (ViT) 的自我监督模型被训练在130万个组织学贴片上.
- 该模型包含多分辨率数据 (10x,20x,40x,400x) 以提高强度.
- 对5,147张幻灯片进行了外部验证,使用科恩的卡帕 (κ) 评分来评估表现.
主要成果:
- 该模型在六个类中实现了高分类性能, κ分数为0.859 (验证) 和0.898 (测试).
- 对于非黑色素瘤性皮肤癌,该模型在验证组中获得了0.919的 κ分数.
- 外部的幻灯片级验证结果为0.791的 κ 分数,表明了实质性的协议.
结论:
- 多分辨率模型显示出有潜力帮助病理学家从WSIs分类皮肤癌亚型.
- 这项技术可以增强临床决策和改善患者的治疗结果.
- 在资源有限的环境中,该模型对于非黑色素瘤皮肤癌诊断可能特别有益.
