IHC-DualNet:一种基于双分支图形的架构,用于可解释和精确的免疫组织化学组织细分.
Zihao He1, Dongyao Jia1, Ziqi Li1
1School of Automation and Intelligence, Beijing Jiaotong University, Beijing, People's Republic of China.
Physics in medicine and biology
|October 9, 2025
概括
一个新的双分支图形网络,IHC-DualNet,准确地分割免疫组织化学 (IHC) 图像用于癌症诊断. 这种自动化方法改进了手动分析,通过捕获全球上下文和本地细节来进行可靠的瘤分类.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医疗图像分析
- 人工智能在瘤学中的应用
背景情况:
- 免疫组织化学 (IHC) 在瘤学中对于诊断和预后至关重要.
- 手动注释IHC图像是耗时的,主观的,缺乏可重现性.
- 现有的自动化方法无法平衡全球背景和本地细节,导致细分不准确和缺乏可解释性.
研究的目的:
- 开发一个自动化,准确和可解释的IHC图像细分框架.
- 模拟病态推理以提高细分性能.
- 解决目前用于捕捉组织背景和局部特征的自动化方法的局限性.
主要方法:
- 提出IHC-DualNet,一个基于双分支图形的框架.
- 全球变压器推理 (GTR) 分支用于使用新型IHC-GTR层的组织范围的背景.
- 局部图表 细粒度局部特征的注意分支,通过自适应特征融合 (AdaFuse) 集成.
主要成果:
- 在三个具有挑战性的IHC数据集 (乳腺癌,食道癌,肺癌) 中实现了卓越的准确性和稳定性.
- 证明了高绩效指标,包括93.88%的子和90.26%的交叉与乳腺癌数据的欧盟数据.
- 成功地以高精度对差异表达区域进行了细分.
结论:
- IHC-DualNet显著提升了自动化IHC分析.
- 该框架提供了准确,稳健和可解释的细分,有助于瘤分类和患者分层.
- 这种方法为临床瘤学工作流程中手动注释提供了可靠的替代方案.


