DIOR-ViT:差分顺序学习视觉转换器用于病理学图像中的癌症分类
Ju Cheon Lee1, Keunho Byeon1, Boram Song2
1School of Electrical Engineering, Korea University, Seoul, Republic of Korea.
Medical image analysis
|July 11, 2025
概括
这项研究引入了用于癌症分级的差分顺序学习,通过考虑癌症严重程度的顺序性来提高准确性. 这种新的方法提高了传统分类之外的计算病理学的可靠性.
科学领域:
- 计算病理学计算病理学
- 机器学习是机器学习.
- 医疗图像分析 医学图像分析
背景情况:
- 癌症分类对于治疗至关重要,但通常被视为简单的分类.
- 现有的方法忽略了固有的顺序 (例如,更高的等级=更差的预后).
- 这限制了癌症等级标签中信息的充分利用.
研究的目的:
- 为癌症分级引入一种新的差分顺序学习框架.
- 开发基于变压器的神经网络,用于同时进行分类和顺序学习.
- 为了提高计算癌症分级的准确性和可靠性.
主要方法:
- 定义差分序列学习,以量化特征空间中样本类标签之间的差异.
- 提出了用于集成分类和顺序学习的变压器神经网络架构.
- 开发了一种专门的损失函数,适用于差分顺序学习.
主要成果:
- 拟议的方法证明了在三种不同的数据集中癌症分级的准确性和可靠性得到改善.
- 不同顺序学习的表现优于传统的癌症分级方法.
- 这种方法有效地利用了癌症等级的顺序性.
结论:
- 微分序列学习为计算病理学中的癌症分级提供了更强大的方法.
- 基于变压器的方法通过结合标签顺序来提高分级的准确性.
- 这种框架在其他疾病中具有潜在的应用,以顺序关系对疾病进行分类.
