宫癌细胞学中的混合特征融合:使用放射学,深度学习和可重复性进行病变检测和分类的新型双模块方法框架
Shurong Niu1, Lili Zhang1, Lina Wang1
1Department of Obstetrics and Gynecology, Shanxi Medical University Second Hospital, Taiyuan, China.
Frontiers in oncology
|September 3, 2025
概括
这项研究引入了用于自动化宫癌查的AI框架,显著提高了病变检测和分类准确性. 人工智能模型具有很高的通用性,为早期癌症检测提供了可扩展的解决方案.
科学领域:
- 医学成像分析
- 计算病理学
- 医疗保健中的人工智能
背景情况:
- 宫癌查依赖于手动细胞检查,
- 需要自动化分析来提高细胞学诊断的准确性和效率.
研究的目的:
- 开发和验证基于深度学习的自动化宫癌查框架.
- 通过综合性病变检测,特征提取和分类来提高细胞学诊断的准确性和效率.
主要方法:
- 使用了6个诊断类别的4236个宫细胞样本的数据集.
- 使用深度学习模型 (Swin Transformer,YOLOv11,Faster R-CNN,DETR) 进行病变检测.
- 使用XGBoost,随机森林,CatBoost,TabNet和TabTransformer进行分类.
- 使用EfficientNet评估一个端到端的分类模型,并对3619个样本进行外部验证.
主要成果:
- 斯温变压器实现了最高的病变检测 mAP (0.94 外部).
- 与TabTransformer混合功能融合产生了优异的分类 (94. 6%的测试准确率, 95. 9%的AUC).
- 外部验证证实了高通用性 (92. 8%的准确性, 95. 1%的AUC).
结论:
- 人工智能框架为自动化宫癌查提供了卓越的病变检测,特征融合分类和通用性.
- 这种可扩展的解决方案可以提高早期癌症检测.
- 未来的工作包括可解释的AI,实时部署和更大规模的临床验证.
