增强注意力的混合U-Net用于前列腺癌分级和可解释性
Ahmad Nawaz Zaheer1, Muhammad Farhan2, Guilin Min3,4
1BOYA International College, Jiangxi University of Technology, 115 Ziyang Avenue, Nanchang, 330022, Jiangxi, China. alpha@jxut.edu.cn.
Scientific reports
|September 30, 2025
概括
一种新的变压器注意力混合U-Net (TAH U-Net) 提高了前列腺癌细分的准确性和可解释性. 这种人工智能模型增强了组织病理学分析,使得在癌症诊断中更可靠的格里森等级评估.
科学领域:
- 计算病理学计算病理学
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
背景情况:
- 前列腺癌细分对于格里森等级评估至关重要,但目前的深度学习模型缺乏上下文意识和可解释性.
- 传统的U-Net和CNN模型与远程依赖和细粒度模式作斗争,限制了它们在异质组织上的性能.
- 不一致的细分会影响诊断准确性和在组织病理学中的模型概括性.
研究的目的:
- 开发一个可解释和准确的深度学习框架,用于前列腺癌组织病理细分.
- 提高语境意识,捕捉细粒度的模式,以改善格里森评分的评估.
- 整合可解释的AI (XAI) 技术用于临床验证和信任.
主要方法:
- 提出了一个变压器注意力混合U-Net (TAH U-Net) 与ResNet50和视觉变压器 (ViT) 块进行混合编码.
- 在跳过连接和解码路径中内置注意力机制以改进特征传播.
- 实现了分层指导损失函数,并使用XAI技术 (LIME, Occlusion Sensitivity, PDP) 进行验证.
主要成果:
- 在SICAPv2数据集上,TAH U-Net实现了最先进的性能,超过了传统的U-Net架构.
- 显示了显著的改进:+4.6%的子得分,+5.1%的IOU,+4.2%的精度和+3.8%的回忆.
- XAI技术证实了模型的决策透明度和临床可靠性.
结论:
- TAH U-Net为前列腺癌细分提供了一个高度准确和可解释的解决方案.
- 这一框架通过改善基于组织病理学的分级和临床信任来增强人工智能驱动的诊断.
- 医学成像和计算病理学的进步对于精确的癌症评估至关重要.
