多模式的OF-MTMFL:一个半监督的平均教师模型用于组织病理图像细分
1Department of Electronics and Communication Engineering, Ponjesly College of Engineering, Nagercoil, Tamil Nadu, India.
Microscopy research and technique
|July 14, 2025
概括
基于一个前任的平均教师模型与联合学习 (OF-MTMFL) 增强了使用半监督和联合学习的基因病理图像细分. 该模型在多种癌症类型中实现了0.740的整体性能得分,提高了诊断准确度.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医学图像分析
- 医疗保健中的人工智能
背景情况:
- 精确细分组织病理特征对于精确的医学诊断至关重要.
- 有限的注释数据和阶级不平衡在组织病理图像分析中构成重大挑战.
- 半监督和联合学习为数据稀缺性和隐私问题提供了潜在的解决方案.
研究的目的:
- 开发和评估一个新的以前任为基础的平均教师模型与联合学习 (OF-MTMFL) 系统.
- 为了应对有限的注释数据和在基因病理图像细分中的类不平衡的挑战.
- 提高不同癌症类型的关键特征细分的准确性和稳定性.
主要方法:
- 实现了平均教师架构,将学生和教师模型与指数移动平均 (EMA) 更新相结合.
- 利用焦点损失函数来指导学生模型在未标记的数据中优先考虑高可信度区域.
- 整合了多个规模的注意力模块,以增强特征提取,并采用了联合学习机制,用于跨机构的协作培训,而无需共享原始数据.
主要成果:
- 从癌症基因组图谱 (TCGA) 数据集中,OF-MTMFL模型在多种癌症类型中实现了0.740的平均一致性指数 (c指数).
- 具体的c指数得分包括0.700±0.030 (BLCA),0.720±0.040 (BRCA),0.860±0.025 (GBMLGG),0.690±0.035 (LUAD) 和0.740±0.045 (UCEC).这些指数的得分通常是0.750±0.030 (BLCA),0.720±0.040 (BRCA),0.860±0.025 (GBMLGG),0.690±0.035 (LUAD) 和0.740±0.045 (UCEC) 等.
- 该模型在质母细胞瘤和低级质母细胞瘤 (GBMLGG) 中表现强,在其他分析的癌症类型中取得了竞争性结果.
结论:
- 拟议的OF-MTMFL系统通过先进的半监督和联合学习技术有效地增强了他的病理图像细分.
- 该模型在各种癌症类型中的性能突出显示了其在计算病理学中提高诊断精度的潜力.
- 联合学习使跨机构的协作模型开发成为可能,同时保持数据隐私,这对于大规模的医学图像分析至关重要.
