RunicNet:利用有注意力的CNN为宫癌细胞分类机制
Erin Beate Bjørkeli1,2, Morteza Esmaeili1,3
1Department of Diagnostic Imaging, Akershus University Hospital, Lørenskog, Norway.
Biomedical engineering and computational biology
|July 21, 2025
概括
RunicNet是一种人工智能模型,通过准确分类巴氏涂片图像,减少错误并帮助早期检测,改善了宫癌查. 这种人工智能方法提高了诊断信心和病理学工作流程的效率.
科学领域:
- 计算病理学计算病理学
- 医疗人工智能的人工智能
- 宫癌查 宫癌查
背景情况:
- 乳腺癌 (Pap) 测试对于检测宫癌至关重要,但受到主观解释和人为错误的影响.
- 限制包括错误的阴性和错误的阳性,影响查效率和患者的结果.
- 人工智能 (AI) 提供了在巴氏涂片分析中实现自动化,准确的细胞分类的潜力.
研究的目的:
- 介绍RunicNet,一个新的卷积神经网络 (CNN),具有用于巴氏涂抹细胞图像分类的注意力机制.
- 通过人工智能驱动的分析,提高宫癌查的准确性和效率.
- 提供可靠的基于人工智能的第一意见,以支持专家诊断信心.
主要方法:
- 开发RunicNet,这是一个CNN架构,包含高频注意力块,像素注意力和封闭式Dconv输送网络.
- 在一个大数据集上进行培训,其中包括85,080张帕普样细胞图像,使用数据增强和类平衡.
- 用独立测试数据集进行评估,以根据基线模型评估性能.
主要成果:
- 在测试数据集上,RunicNet获得了0.78的加权F1得分.
- 显著超过基线模型的表现:ResNet-18 (F1得分0.53) 和完全连接的CNN (F1得分0.66).
- 在分类巴氏涂抹细胞图像方面表现出卓越的性能.
结论:
- 基于注意力的CNN模型,以RunicNet为例,显示了提高宫癌查准确性的巨大潜力.
- 像RunicNet这样的AI系统的整合可以提高早期检测率并减少诊断变化.
- 人工智能工具可以增强临床工作流程,提高巴氏涂抹分析的可靠性.
