乳腺癌的分类深紫外线光图像使用补丁级视觉转换器框架.

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 乳腺保护手术 (BCS) 需要精确的手术内边缘评估,以平衡癌症的去除和组织的保存.
• 深紫外光扫描显微镜 (DUV-FSM) 为切除的乳腺组织提供快速的全表面成像 (WSI),将恶性与正常组织区分开来.
• 从高分辨率的DUV WSIs中对乳腺癌进行分类,由于其复杂的遗传病理特征,因此存在挑战.

研究的目的:

• 开发和评估DUV WSI分类框架,以准确评估乳腺癌边际.
• 为了提高DUV WSI分析的解释性和诊断准确性,用于手术内利率评估.

主要方法:

• 采用补丁级视觉变压器 (ViT) 模型来分析DUV WSIs,捕获本地和全球遗传病理特征.
• 整合了Grad-CAM++突出权重,以突出显示WSIs中的关键空间区域,从而提高模型的可解释性.
• 采用五重交叉验证策略,严格评估拟议的分类框架的性能.

主要成果:

• 拟议的DUV WSI分类框架实现了高分类准确率98.33%,用于区分良性与恶性乳腺组织.
• ViT模型有效地捕获了 DUV WSIs 中复杂的遗传学特征,超过了传统的深度学习方法.
• Grad-CAM++突出权重提高了模型预测的解释性,识别了诊断相关的组织区域.

结论:

• 开发的DUV WSI分类框架,利用ViT模型和Grad-CAM++,显著提高了在BCS中进行手术内边缘评估的诊断准确性.
• 这种方法为手术期间实时准确分类乳腺组织提供了一个有希望的工具,可能降低重新切割率.
• 该框架展示了先进的人工智能技术在加强对乳腺癌管理的DUV光图像的基因病理分析方面的潜力.