有效的深度神经网络用于在组织病理学上检测癌症,将注意力和图像降低样本结合起来

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 数字组织病理学 数字组织病理学

背景情况:

• 结肠直肠癌的诊断依赖于专家病理学,这是耗时的.
• 需要自动化工具来帮助病理学家处理大量的组织病理学图像.
• 深度学习为分析复杂的医学图像提供了一种有希望的方法.

研究的目的:

• 开发和验证人工智能模型,以在全幻灯片组织病理学图像中准确检测结直肠癌.
• 评估图像分辨率对模型性能和计算效率的影响.
• 提供一种自动化工具,帮助病理学家识别癌症区域.

主要方法:

• 利用多实例学习与深层卷积神经网络相结合,用于图像分析.
• 在来自结肠直肠癌分子流行病学研究的1300多个患者样本上训练并验证了该模型.
• 在癌症基因组图谱数据集上评估模型性能,探索各种图像分辨率.

主要成果:

• 开发的模型在检测结直肠癌方面取得了很高的准确性.
• 在4μm/pix的图像分辨率下观察到最佳性能.
• 在测试数据集上获得了0.96的F1-Score,0.92的马修斯相关系数和0.99的AUC.
• 在不影响性能的情况下,显著降低了计算成本.

结论:

• 深度学习模型可以在组织病理学图像中准确检测结直肠癌.
• 降低图像分辨率是一种可行的策略,可以降低计算负载,同时保持高诊断性能.
• 开发的AI工具显示了协助病理学家的潜力,提高了结直肠癌诊断的效率和准确性.