在深度分类器中通过扰乱忠实性进行强大的胰腺病理学亚型化

科学领域:

• 计算病理学计算病理学
• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用

背景情况:

• 对侵入性肺腺癌亚型的深度学习模型容易受到现实世界成像变化的影响.
• 准确的亚型确定对于有效的肺癌治疗和预后至关重要.

研究的目的:

• 开发一个强大的深度学习框架,用于抗成像干扰的侵袭性肺腺癌亚型.
• 为了提高全幻灯片图像的自动化亚型的准确性和可靠性.

主要方法:

• 实施了保证利的一致性框架,整合了注意力加权聚合和保证利意识培训.
• 引入了带有贝叶斯优化的参数的扰乱忠实度评分,以减轻特征过度集群.
• 在BMIRDS-LUAD数据集上对视觉变压器-大和ResNet101模型进行了评估.

主要成果:

• 在视觉变压器-大 (40%) 和ResNet101 (50%) 的分类精度中实现了显著的错误减少.
• 证明了强大的特征-逻辑空间对齐与高的肯德尔相关性 (0.88培训,0.64验证).
• 在所有五个子类型中都取得了出色的性能,ROC曲线下的面积超过0.99.

结论:

• 拟议的边际一致性框架提高了肺腺癌亚型化深度学习的稳定性和准确性.
• 该方法对临床应用有希望,尽管需要进行领域适应研究,以解决机构间的绩效差异.