Multi-Class Gastric Histopathology Classification Using a Hybrid Swin Transformer–ConvNeXt Model
Dieses Paper präsentiert ein hybrides Swin Transformer–ConvNeXt Deep-Learning-Modell, das mit einer Flask-basierten Weboberfläche integriert ist und eine Genauigkeit von 75,35 % bei der Klassifizierung von gastrischem Histopathologiebildern in acht verschiedene Gewebetypen erreicht, um Pathologen bei der Diagnose von Magenkrebs zu unterstützen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Jahr sterben etwa 660.000 Menschen an Magenkrebs, einer Krankheit, bei der der Unterschied zwischen Leben und Tod oft davon abhängt, wie früh sie entdeckt wird. Der derzeitige Standard für die Diagnose beruht auf einem Pathologen, einem hochqualifizierten medizinischen Spezialisten, der durch ein Mikroskop auf dünne Gewebeschnitte blickt, die mit farbigen Farbstoffen gefärbt wurden. Dieser menschliche Experte muss subtile Muster in der zellulären Landschaft identifizieren, um gesundes Gewebe von bösartigen Wucherungen zu unterscheiden. Dieser Prozess ist jedoch langsam, anspruchsvoll und anfällig für menschliche Fehler; zwei erfahrene Ärzte, die auf dieselbe Folie schauen, sind sich nicht immer einig darüber, was sie sehen. Da die Zahl der Patienten wächst, vergrößert sich die Lücke zwischen dem Diagnosebedarf und der Verfügbarkeit von Spezialisten, was einen Engpass schafft, der die Behandlung verzögert. In den letzten Jahren haben Wissenschaftler versucht, künstliche Intelligenz einzusetzen, um diese Last zu tragen, indem sie Computern beibrachten, Muster in medizinischen Bildern zu erkennen, die für das menschliche Auge vielleicht zu schwach oder komplex sind, um sie konsistent zu erfassen.
Ein Forschungsteam aus Pakistan hat mit der Entwicklung eines neuen Computersystems, das darauf ausgelegt ist, Magengewebe mit größerer Präzision zu analysieren, einen bedeutenden Schritt nach vorn gemacht. Anstatt den Computer einfach nur entscheiden zu lassen, ob eine Probe „Krebs“ oder „kein Krebs“ ist, haben sie ein Werkzeug gebaut, das das Gewebe in acht verschiedene Kategorien sortieren kann. Dies ist eine entscheidende Unterscheidung, denn zu wissen, welche Art von nicht krebsartigem Gewebe genau vorliegt – ob Fett, Muskeln, Schleim oder Immunzellen – liefert einen wichtigen Kontext für die Gesamtdiagnose eines Arztes. Die Forscher entwickelten ein Hybridsystem, das zwei verschiedene Arten von Modellen der künstlichen Intelligenz kombiniert. Ein Modell, das davon inspiriert ist, wie Menschen Sprache verarbeiten, ist exzellent darin, das breite, allgemeine Layout des Gewebes zu verstehen. Das andere Modell, das auf traditionellen Bildverarbeitungstechniken basiert, ist außergewöhnlich gut darin, die winzigen, feinen Details und Texturen aufzuspüren, in denen sich oft frühe Anzeichen einer Krankheit verbergen. Indem sie diese beiden Modelle zusammenarbeiten und über die endgültige Antwort abstimmen lassen, erstellt das System ein vollständigeres Bild, als es eines der beiden allein erreichen könnte.
Um ihre Idee zu testen, nutzte das Team eine große Sammlung digitaler Bilder, die von Magengewebeproben aufgenommen wurden, welche sie durch eine spezifische Abfolge von Schritten bereinigten, um Rauschen zu entfernen und den Kontrast zu schärfen. Anschließend trainierten sie ihr Hybridsystem mit diesen Bildern und brachten es bei, die acht verschiedenen Gewebetypen zu erkennen: Tumorgewebe, Fett, Debris (Zelltrümmer), Lymphozyten (Immunzellen), Schleim, glatte Muskulatur, normale Magenschleimhaut und ein Stützgewebe namens Stroma. Das System wurde an Bildern getestet, die es zuvor noch nie gesehen hatte, und identifizierte den Gewebetyp etwa 75 Prozent der Zeit korrekt. Während dies wie eine bescheidene Punktzahl klingen mag, war es eine deutliche Verbesserung gegenüber den Einzelmodell-Systemen, die die Forscher zum Vergleich ausprobierten und die Schwierigkeiten hatten, dasselbe Maß an Genauigkeit zu erreichen. Der hybride Ansatz bewies, dass die Kombination aus der „Großansicht“ eines Modells und der „Nahaufnahme“ des anderen eine effektivere Strategie für diese komplexe Aufgabe ist.
Die Forscher hörten nicht beim Bau eines Modells auf; sie betetteten es in eine funktionierende Softwareanwendung ein, die jeder mit einem Webbrowser nutzen kann. Ein Nutzer kann ein Bild einer Gewebefolie hochladen, und innerhalb weniger Sekunden liefert das System eine Vorhersage darüber, was das Gewebe ist, zusammen mit einem Konfidenzwert und einer Erklärung des Ergebnisses in einfacher Sprache. Das System führt auch ein Protokoll vergangener Analysen, sodass Ärzte oder Forscher auf frühere Ergebnisse zurückblicken können. Das Team war sorgfältig darauf bedacht, darauf hinzuweisen, dass dieses System derzeit ein Forschungsprototyp ist und kein Werkzeug, das sofort im Krankenhaus eingesetzt werden kann. Die Genauigkeit ist zwar vielversprechend, aber noch nicht hoch genug, um einen menschlichen Arzt zu ersetzen, und das System verwechselt manchmal zwei spezifische Arten von gesundem Gewebe, die sich sehr ähnlich sehen. Darüber hinaus wurde das System mit Bildern aus einer einzigen Quelle trainiert, daher ist unklar, wie gut es bei Proben aus anderen Krankenhäusern oder mit anderen Färbemethoden abschneiden würde.
Trotz dieser Einschränkungen bietet die Arbeit einen klaren Weg nach vorn. Die Studie legt nahe, dass die Zukunft der computergestützten Pathologie darin liegt, verschiedene Arten von künstlicher Intelligenz zu kombinieren, um das volle Spektrum der Informationen in einer Gewebeprobe zu erfassen. Die Forscher planen, ihr System zu verbessern, indem sie visuelle Erklärungen hinzufügen, die genau zeigen, welche Teile des Bildes zu einem bestimmten Schluss geführt haben – ein Merkmal, das Ärzten helfen würde, dem Urteil der Maschine zu vertrauen. Sie streben auch an, das System mit einem viel größeren und vielfältigeren Satz an Bildern zu trainieren, um die Verwechslung zwischen ähnlichen Geweben zu reduzieren. Durch die Überbrückung der Lücke zwischen Rohdaten und einer benutzbaren Schnittstelle zeigt dieses Projekt, dass künstliche Intelligenz zwar noch kein Ersatz für menschliche Expertise ist, sie aber zu einem mächtigen Partner in der langen und schwierigen Arbeit der Krebsdiagnose wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.