有效和可解释的组织病理学用于癌症检测,使用双教师蒸和集成梯度
Khubab Ahmad1, Saad Arif2, Muhammad Hanif3
1Faculty of Engineering and Technology, Multimedia University, Melaka, Malaysia.
Frontiers in medicine
|March 4, 2026
概括
一个新的知识蒸框架显著提高了使用轻量级的MobileNet-V2模型的胃癌分类准确度. 这种方法为数字病理学提供了快速,准确和可解释的解决方案,平衡性能与计算效率.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 机器学习在瘤学中的应用
背景情况:
- 胃癌的诊断依赖于手动组织病理学,这是耗时的,需要专业知识.
- 需要自动化方法来提高胃癌分类的效率和准确性.
- 现有的深度学习模型可能是计算密集型的,限制了它们在资源有限的环境中的使用.
研究的目的:
- 开发和评估一个新的两个老师一个学生 (2T-1S) 的知识蒸框架,用于胃癌的分类.
- 使用强大的教师模型 (DenseNet-121,ResNet-50) 引导一个轻量级的MobileNet-V2学生网络.
- 为了实现高分类准确度,降低计算成本和提高推断速度.
主要方法:
- 利用GasHisSDB数据集进行胃癌组织学幻灯片分类.
- 实施了2T-1S知识蒸策略,使用DenseNet-121和ResNet-50作为教师和MobileNet-V2作为学生.
- 在多分辨率图像补丁 (80x80,120x120,160x160) 上评估的性能.
- 应用集成梯度用于模型解释性,重点关注有意义的病理特征.
主要成果:
- 移动Net-V2学生在不同分辨率上实现了高精度 (高达98.33%).
- 学生网络在推断过程中比教师模型小30倍多,速度几乎是教师模型的两倍.
- 综合梯度证实了该模型的重点是相关的组织学特征,如细胞核和腺体边界.
- 该框架显示了准确性,速度和可解释性之间的有利权衡.
结论:
- 2T-1S知识蒸框架有效地训练了一种轻量级的MobileNet-V2模型,以准确有效地对胃癌进行分类.
- 这种方法适用于对资源有限的设备进行实时推断,增强数字病理学工作流程.
- 该模型的可解释性支持其对临床决策支持系统的潜力.
