在整个幻灯片图像中胃状细胞瘤的亚型分类
Hyeseong Lee1, Yoo Jin Lee2, Eunsu Kim1
1Department of Biomedical Informatics, Korea University, College of Medicine, Seoul, 02841, Republic of Korea.
Computers in biology and medicine
|December 26, 2025
概括
这项研究引入了一种自动化管道,用于在整个幻灯片图像上使用深度学习来分类胃脊柱细胞瘤亚型. 该方法通过解决类不平衡和模型过度自信,提高了诊断准确性,特别是对于罕见的亚型.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 机器学习在组织病理学中的应用.
背景情况:
- 准确分类胃脊柱细胞瘤 (GSCT) 亚型对于预后和治疗至关重要.
- 手动的病理分类是耗时的,容易变化.
- 现有的自动化方法缺乏从H&E全幻灯片图像 (WSIs) 中对GSCT亚型 (GIST,leiomyoma, schwannoma) 的分类.
研究的目的:
- 开发和验证一个完全自动化的管道,用于使用H&E WSIs上的复杂神经网络对GSCT亚型进行分类.
- 为了应对阶级不平衡和模型过度信任GSCT亚型分类的挑战.
主要方法:
- 利用一个复杂的神经网络应用于血素和素 (H&E) 整片图像 (WSI).
- 实施了CutMix数据增强,以平衡少数群体 (白细胞瘤,黑细胞瘤) 的数据集.
- 员工信心实例投票 (CIV) 减轻模型过度信心.
主要成果:
- 在内部和外部验证中,CutMix显著改善了leiomyoma和 schwannoma的F1评分.
- CIV提高了分类准确性,特别是在外部验证中.
- 在GSCT亚型的分类中实现了高精度,证明了管道的有效性.
结论:
- 开发的自动化管道显示了作为GSCT亚型分类的临床工具的希望.
- 这种方法提高了在组织病理学分析中的诊断效率和可靠性.
- 有效地解决了在罕见瘤亚型识别中的类不平衡挑战.
