通过使用人工智能进行细胞病理图像分析来加速前列腺癌检测.

科学领域:

• 在瘤学瘤学.
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 前列腺癌是男性癌症死亡的主要原因,需要早期和准确的诊断.
• 手动组织病理学分析是黄金标准,但是劳动密集型,需要专业知识.
• 目前的诊断方法在速度和一致性方面面临挑战.

研究的目的:

• 开发和评估混合深度学习框架,以提高前列腺癌检测.
• 整合本地和全球特征提取以提高诊断准确度.
• 创建一个有效的AI模型,适合临床部署.

主要方法:

• 一个混合框架,结合了整体卷积神经网络 (CNN) 和视觉变压器 (ViT).
• 使用VGG-16,DenseNet-121和AlexNet的转移学习,以及微调的ViT.
• 整合了交叉注意力融合 (CAF) 模块和知识蒸 (KD) 模块,以实现功能集成和效率.
• 经过PANDA数据集的训练和测试,使用了诸如马校正和染色解卷等预处理技术.

主要成果:

• 拟议的混合模型实现了97.91%的准确性,超过了现有方法.
• 在真实阳性率 (TPR) 和真实阴性率 (TNR) 中显著改善,假阴性率 (FNR) 和假阳性率 (FPR) 降低.
• 废除研究证实了单个组件的有效性,特别是组合CNN,CAF和ViT.

结论:

• 混合深度学习模型为前列腺癌诊断提供了强大而准确的方法.
• 人工智能框架显示出加速诊断和及时患者干预的潜力.
• 该模型平衡了预测准确性与临床适用性计算效率的平衡.