一种基于深度学习的方法,用于在胃肠道恶性瘤中检测可解释的微卫星不稳定性.
Ludovica Ciardiello1, Patrizia Agnello2, Marta Petyx2
1Department of Medicine and Health Sciences "Vincenzo Tiberio", University of Molise, 86100 Campobasso, Italy.
Journal of imaging
|November 26, 2025
概括
这项研究引入了一种可解释的深度学习方法,用于检测胃肠道癌症中的微卫星不稳定性,使用组织病理学图像. 该方法实现了高精度,并提供可解释的预测,为临床整合铺平了道路.
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:
- 微卫星不稳定性 (MSI) 是胃肠道癌症的关键生物标志物,影响诊断和治疗.
- 目前的MSI检测方法昂贵,缓慢,需要专门的实验室.
- 需要有效且易于使用的MSI检测技术.
研究的目的:
- 开发一种可解释的深度学习 (DL) 方法,用于从组织病理图像中检测MSI.
- 评估各种DL模型的性能,包括CNN和视觉转换器.
- 通过可解释性和可靠性分析,提高DL预测的可靠性.
主要方法:
- 用了组织病理学图像来检测MSI.
- 实现并比较了几种DL架构:MobileNet,Inception,VGG16,VGG19和Vision Transformer. 实现并比较了几个DL架构:MobileNet,Inception,VGG16,VGG19和Vision Transformer. 实现并比较了几个DL架构:MobileNet,Inception,VGG16,VGG19和Vision Transformer. 实现并比较了几个DL架构:
- 采用了三个类激活映射 (CAM) 技术来实现模型的可解释性.
- 引入了稳定性指标,以评估突出区域在CAM方法中的一致性.
主要成果:
- VGG16和VGG19模型表现出卓越的性能,分别达到0.926和0.917的精度.
- CAM技术证实,模型始终专注于相关组织区域.
- 稳定性分析表明不同CAM方法之间的高度一致性,加强了预测可靠性.
结论:
- 拟议的DL方法使用组织病理学图像准确检测胃肠道癌症中的MSI.
- 该方法提供可解释的预测,增加对模型输出的信心.
- 这种方法有可能促进DL在癌症诊断的临床实践中的采用.
