基于深度学习的结直肠癌的分类在组织病理学图像中用于类别检测
Thang Truong Le1,2, Vinh-Thuyen Nguyen-Truong3, Quang Van Nhat Duong4
1Smart Medicine and Health Informatics Program, International College, National Taiwan University, No. 1, Section 4, Roosevelt Rd, Taipei, 10617, Taiwan.
Biology methods & protocols
|November 19, 2025
概括
深度学习模型通过组织病理学图像准确地分类结直肠癌 (CRC). 两阶段框架显著改善了复杂癌症类型的检测,帮助病理学家.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
背景情况:
- 准确的结直肠癌 (CRC) 诊断对于患者的治疗结果至关重要.
- 组织病理学图像是CRC诊断的关键.
- 深度学习 (DL) 为自动化分析提供了潜力.
研究的目的:
- 为了评估深度学习模型,使用H&E染色基因病理图像进行自动化CRC分类.
- 评估各种DL架构的性能,包括ResNet和Swin变压器.
- 开发和验证一个两个阶段的预测框架,用于增强CRC分类.
主要方法:
- 使用的血素和素 (H&E) 染色基因病理学图像用于CRC分类.
- 将ResNet-34,ResNet-50和Swin变压器V2模型的性能进行比较.
- 开发了一个两阶段的框架:二进制异常检测,然后进行多类癌症分类.
主要成果:
- ResNet-34实现了85.04%的整体准确度;ResNet-50显示了高的ROC AUC (0.9933) 和F1得分 (87.51%).
- 斯温变压器V2在检测高增多症和腺癌方面表现出强的表现.
- 这两个阶段的框架提高了高度发育不良的分类准确度,从53.57%提高到71.43%.
结论:
- 中度深度DL架构有效捕捉结直肠癌的形态多样性.
- 这两个阶段的框架提高了分类的稳定性,特别是在具有挑战性的案例中.
- 基于DL的工具可以支持病理学家有效诊断结直肠癌的阶段.
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
475
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
2.4K
