宫内皮质新生病 (CIN1-3) 疾病分类使用混合专家方法
Mohammad Khaleel Sallam Ma'aitah1, Abdulkader Helwan2, Safa Ghannam3
1Robotics and Artificial Intelligence Engineering Department, Faculty of Engineering & Technology, Applied Science Private University, Amman, 11931, Jordan. m_almaayta@asu.edu.jo.
Journal of imaging informatics in medicine
|February 26, 2026
概括
一个以注意力为导向的专家混合 (MoE) 框架改善了宫内皮质瘤 (CIN) 的分级. 这种人工智能方法提高了诊断CIN1-3的准确性和稳定性,为临床应用提供了实际基础.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 精确分类宫内皮质瘤 (CIN) 对于患者的管理至关重要,但由于细微的形态变异和成像不一致,具有挑战性.
- 现有的自动化方法往往难以应对colposcopic图像的固有变异性,需要更强大的诊断工具.
研究的目的:
- 开发和评估一个以专家为导向的专家组合 (MoE) 框架,用于准确分类CIN1-3从大肠镜图像.
- 通过对多个专家模型进行适应权重来提高宫癌查的诊断准确性和稳定性.
主要方法:
- 提出了一个以注意力为导向的教育部框架,包括五个预训练的DenseNet-121模型.
- 在中间特征上使用注意力机制来指导适应性专家权重的门网.
- 利用英特尔和移动ODT宫查数据集与患者智能的数据分割进行严格评估.
主要成果:
- 在独立测试组中,MoE框架实现了74.0%的准确性和72.1%的F1得分.
- 与单个DenseNet-121基线和其他MoE骨干 (p < 0.01) 相比,已经证明了优越的性能.
- 与统一权重相比,注意力引导的门提供了显著的准确性增长 (5-8%),五位专家提供了最佳平衡.
结论:
- 以注意力为导向的MoE框架在自动化CIN分级中提供了显著的进步.
- 模块化和可解释的架构为整合各种AI专家提供了实用的基础,以提高宫查的临床实用性.
- 虽然目前的性能低于最先进的变压器模型,但拟议的方法显示出可复制和可概括的临床应用的希望.
