在弱监督下使用专家视力转换器软混合物进行泛癌冷部分分类
Jingpeng Wu1,2, Moxuan Yang3,4, Jiacheng Li5
1China-Japan Friendship Hospital (Institute of Clinical Medical Sciences), Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing, China.
Scientific reports
|February 24, 2026
概括
本研究介绍了一种视觉转换器 (ViT) 模型,用于人工智能辅助的手术内病理学专家软混合 (Soft MoE). 该模型使用整个幻灯片图像准确区分良性和恶性瘤,提高了诊断可靠性.
科学领域:
- 数字病理学数字病理学
- 人工智能在医学中的应用
- 计算病理学计算病理学
背景情况:
- 术内冷部位分析对于手术决策至关重要,但面临诸如幻灯片质量变化和诊断不一致等挑战.
- 现有的AI模型往往需要大量的注释,这限制了它们在现实世界病理学工作流程中的适用性.
研究的目的:
- 开发和验证一个弱监督的人工智能模型,用于准确的二元分类瘤 (良性与恶性) 从手术内冷部分全片图像.
- 评估模型的性能,可解释性和在常规临床环境中部署的可行性.
主要方法:
- 采用了来自不同手术内咨询的4667张血素和乙染色全片图像 (WSI) 的数据集.
- 视觉变压器 (ViT) 架构采用软混合专家 (Soft MoE) 模块用于弱监督的二进制分类.
- 用AUC,灵敏度和特异性评估模型性能,并通过实例级热图可视化评估可解释性.
主要成果:
- 软MoE-ViT模型实现了高诊断性能,AUC为0.957,灵敏度为0.817,特异性为0.961.
- 该模型在各种常见和罕见的组织类型中显示出一致的实用性.
- 热图可视化证实了与诊断相关的瘤区域的对齐,提高了模型的解释性.
结论:
- 软MoE-ViT模型为手术内病理提供了一个实用和可解释的AI解决方案,解决了传统冷截面分析的局限性.
- 该模型在标准临床硬件上进行局部推理的能力支持其在现实世界临床采用方面的潜力.
