可解释的自我监督对比学习用于结直肠癌组织病理学:GRADCAM可视化
1School of Computational and Integrative Sciences (SCIS), Jawaharlal Nehru University, New Delhi, India.
Bioinformation
|October 31, 2025
概括
这项研究引入了一种新的AI框架,用于使用组织病理学图像诊断结直肠多. 该方法提高了自动化病理学中的准确性和可解释性,提高了诊断信心.
科学领域:
- 数字病理学数字病理学
- 人工智能在医学中的应用
- 计算生物学 计算生物学
背景情况:
- 通过组织病理学图像准确诊断结直肠多,对于有效的患者治疗和管理至关重要.
- 在诊断上,区分高质多聚体 (HP) 和状状腺瘤 (SSA) 是具有挑战性的,并且对于癌症风险分层至关重要.
研究的目的:
- 开发和评估一种新的框架,将自我监督对比学习 (SSCL) 与Grad-CAM可解释性相结合,用于从组织病理图像中分类HP和SSA.
- 提高自动化病理系统的数据效率和诊断准确度.
主要方法:
- 一个ResNet50编码器在未标记的基因病理图像上使用SSCL进行了预训练,以学习强大的特征表示.
- 预训练模型在受监督的环境中对HP和SSA分类进行了微调.
- 使用Grad-CAM生成视觉解释,识别图像区域对于模型的分类决定至关重要.
主要成果:
- 拟议的框架实现了85.86%的分类准确度,以区分HP和SSA.
- 与传统的卷积神经网络 (CNN) 方法相比,SSCL方法显示出更高的性能.
- 格拉德-CAM为模型的决策过程提供了可解释的见解.
结论:
- 开发的可解释和数据效率高的框架显著提高了结直肠多的自动分类的诊断准确性.
- 将SSCL与Grad-CAM相结合,通过为模型预测提供视觉解释,提高了对人工智能驱动病理学的信任.
- 这种方法为临床环境中更可靠,更高效的基因病理学分析提供了有希望的解决方案.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
482
05:33Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
779
