在结直肠癌中使用混合深度学习方法进行自动化瘤流体比率评估

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 瘤瘤比率 (TSR) 是结直肠癌 (CRC) 的一个关键预后指标.
• 传统的TSR评估是主观的,耗时的.
• 传统的卷积神经网络 (CNN) -仅用于TSR分析中的空间背景模型存在局限性.

研究的目的:

• 开发和验证一个整合性的深度学习框架,利用转换器机制,在CRCTSR评估中增强空间上下文理解.
• 解决传统方法和CNN-only模型在准确评估瘤微环境方面的局限性.

主要方法:

• 采用了混合深度学习模型,结合了CNN和Transformer UNet架构.
• 用基于CNN的模型将补丁图像分为正常和异常类别.
• 异常贴片被细分为瘤和侧膜,使用Efficient-TransUNet模型进行定量TSR评估.

主要成果:

• 该分类模型实现了高精度 (93.53%),精度 (0.9040%),回忆 (0.9644%) 和F1得分 (0.9332%).
• 效率-TransUNet模型表现出优异的细分性能,聚合子系数 (ADC) 为0.938的肌瘤和0.921的瘤.
• 拟议的方法提供了瘤微环境的强大和客观的测量.

结论:

• 综合性深度学习框架显著提高了结直肠癌病理评估的准确性.
• 这种方法有可能通过精确的TSR评估来改善临床决策和患者的结果.
• 混合CNN-变压器模型克服了以前方法的局限性,为瘤微环境分析提供了更客观,更有效的工具.