通过高效的注意力转换器网络在基因病理图像中自动检测和分类细胞癌
Hissa Al-Kuwari1, Belqes Alshami2, Aisha Al-Khinji1,3
1College of Medicine, Qatar University, Doha 2713, Qatar.
Medical sciences (Basel, Switzerland)
|November 24, 2025
概括
本研究介绍了EAT-Net,这是一种高效的深度学习模型,用于自动化细胞癌 (RCC) 从组织病理学图像进行分级,实现高精度和可解释性.
科学领域:
- 在瘤学瘤学.
- 数字病理学数字病理学
- 人工智能的人工智能
背景情况:
- 细胞癌 (RCC) 的分级对于患者的预后和治疗至关重要.
- 手动组织病理学分类是主观的,容易发生观察者之间的变化.
- 需要自动化分级系统来提高效率和一致性.
研究的目的:
- 开发和验证EAT-Net,这是一种用于自动化RCC等级分类的新型双流深度学习模型.
- 为了提高RCC分级的准确性和可靠性,使用组织病理图像.
- 为提供可解释和临床相关的自动分级解决方案.
主要方法:
- EAT-Net结合了EfficientNetB0用于本地特征和视觉转换器 (ViT) 用于全球背景.
- 压缩和激发 (SE) 模块集成用于特征重新校准.
- 该模型在KMC-RENAL和RCCG-Net数据集上进行训练和评估,使用准确度,精度,回忆和F1-score等标准指标.
主要成果:
- EAT-Net实现了高性能,准确率为92.25%,精度为92.15%,回忆率为92.12%,F1得分为92.25%.
- 废弃性研究证实了EfficientNet和ViT组件的有效性.
- 在Grad-CAM可视化中,模型的重点是诊断相关的图像区域.
结论:
- EAT-Net为RCC分级提供了一个准确和可解释的自动化框架.
- 该模型的轻量级设计和高性能支持其集成到数字病理学工作流程中.
- EAT-Net有可能改善RCC管理中的临床决策.
