SpecNet:一种超频谱带学习方法,用于切片级分化纤维腺瘤和小瘤瘤
Guangxi Shi1, Mengdi Zhang2, Ziyuan Sun3
1First Clinical Medical College, Shandong University of Traditional Chinese Medicine, Jinan, China; Department of Thyroid and Breast Diagnosis and Treatment Center, Affiliated Hospital of Shandong University of Traditional Chinese Medicine, Jinan, China.
Photodiagnosis and photodynamic therapy
|October 20, 2025
概括
一个新的深度学习模型,SpecNet,通过使用高光谱成像 (HSI) 有效地区分纤维腺瘤 (FA) 和植物瘤 (PT). 这种光谱分析为改善乳腺癌诊断和管理提供了潜力.
科学领域:
- 医学成像医学成像
- 计算病理学计算病理学
- 生物医学光学 生物医学光学
背景情况:
- 在乳腺病理学中,区分纤维腺瘤 (FA) 和乳腺瘤 (PT) 是至关重要的.
- 超光谱成像 (HSI) 为组织特征提供了丰富的光谱信息.
- 深度学习模型在分析复杂的成像数据方面表现有前途.
研究的目的:
- 评估可见近红外 (400-1000纳米) HSI与深度学习模型相结合的歧视潜力,以区分FA与PT.
- 为此诊断任务开发一个轻量级和可解释的深度学习框架 (SpecNet).
- 为了确定FA和PT的光谱生物标志物.
主要方法:
- 来自215名患者 (105名FA,110名PT) 的甲固定嵌 (FFPE) 组织切片的回顾性分析.
- 开发和应用一个紧的深度学习框架 (SpecNet) 使用卷积和注意力模块.
- 使用五倍交叉验证进行评估,以AUC,精度,灵敏度和特异性作为关键指标.
主要成果:
- SpecNet实现了0.89的曲线下面积 (AUC),准确度为85.21%,灵敏度为80.73%,特异性为87.45%.
- 该模型的表现始终优于基线分类器 (1D-CNN,变压器-SVM,XGBoost).
- 确定了540-590nm (血红蛋白吸收) 和700-820nm (近红外水散射) 的关键诊断光谱区域.
结论:
- 使用HSI,SpecNet证明了FA和PT的强有力的实体差异化.
- 已识别的光谱特征为组织病理提供了临床相关的证据.
- 该方法显示了临床应用的潜力,如活检分类和手术内边缘评估,等待外部和前性验证.
