一个可解释的混合深度学习框架用于胃癌的诊断,使用基因病理成像

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 胃癌的诊断依赖于复杂的组织病理学图像解释,通常是主观的和耗时的.
• 自动诊断工具对于提高数字病理学工作流程的准确性和效率至关重要.

研究的目的:

• 开发和验证混合深度学习模型,用于精确分类胃组织病理图像.
• 增强特征表示和空间理解,以改善跨多种图像变异的诊断性能.

主要方法:

• 开发了一种混合深度学习模型,将卷积神经网络 (CNN) 和变压器架构结合起来.
• 该模型在三个公共数据集 (GasHisSDB,TCGA-STAD,NCT-CRC-HE-100K) 上使用染色规范化和数据增强进行了训练和验证.
• 使用交叉验证,准确性,F1得分,AUC和Grad-CAM进行解释性来评估性能.

主要成果:

• 混合模型在GasHisSDB数据集上实现了99.2%的准确性,0.991的宏F1得分和0.996的AUC.
• 在TCGA-STAD和NCT-CRC-HE-100K数据集上的外部验证证实了该模型的稳定性和通用性.
• 通过Grad-CAM可视化,通过突出显示生物相关的图像区域来证明模型的可解释性.

结论:

• 拟议的混合深度学习框架为自动化胃癌诊断提供了可靠,可解释和可概括的工具.
• 这种方法显示了将其整合到数字病理学工作流程中的显著临床潜力,提高了诊断准确性和效率.