Multi-Class Gastric Histopathology Classification Using a Hybrid Swin Transformer–ConvNeXt Model
Dit artikel presenteert een hybride Swin Transformer–ConvNeXt deep learning-model, geïntegreerd met een Flask-gebaseerde webinterface, dat een nauwkeurigheid van 75,35% bereikt bij het classificeren van gastrische histopathologische afbeeldingen in acht verschillende weefseltypen om pathologen te ondersteunen bij de diagnose van maagkanker.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar verliezen naar schatting 660.000 mensen hun leven aan maagkanker, een ziekte waarbij het verschil tussen leven en dood vaak afhangt van hoe vroeg deze wordt ontdekt. De huidige standaard voor diagnose vertrouwt op een patholoog, een hoogopgeleide medische specialist, die door een microscoop kijkt naar dunne weefselcoupes die zijn gekleurd met kleurrijke kleurstoffen. Deze menselijke expert moet subtiele patronen in het cellulaire landschap identificeren om gezond weefsel te onderscheiden van kwaadaardige gezwellen. Dit proces is echter traag, veeleisend en gevoelig voor menselijke fouten; twee ervaren artsen die naar dezelfde preparaat kijken, kunnen het niet altijd eens worden over wat ze zien. Naarmals het aantal patiënten groeit, vergroot de kloof tussen de behoefte aan diagnose en de beschikbaarheid van specialisten, wat een knelpunt creëert dat de behandeling vertraagt. In de afgelopen jaren hebben wetenschappers zich tot kunstmatige intelligentie gewend om te helpen deze last te dragen, door computers te leren patronen in medische afbeeldingen te herkennen die te vaag of te complex zouden kunnen zijn voor het menselijk oog om consistent te vatten.
Een team onderzoekers uit Pakistan heeft een belangrijke stap voorwaarts gezet in dit veld door een nieuw computersysteem te creëren dat is ontworpen om maagweefsel met een grotere precisie te analyseren. In plaats van een computer simpelweg te vragen te beslissen of een monster "kanker" of "geen kanker" is, hebben ze een hulpmiddel gebouwd dat weefsel in acht verschillende categorieën kan sorteren. Dit is een cruciaal onderscheid, omdat weten welk type niet-kankerachtig weefsel precies aanwezig is—of het nu vet, spier, slijm of immuuncellen zijn—essentiële context biedt voor de algehele diagnose van een arts. De onderzoekers ontwikkelden een hybride systeem dat twee verschillende soorten modellen voor kunstmatige intelligentie combineert. Eén model, geïnspireerd door hoe mensen taal verwerken, is uitstekend in het begrijpen van de brede, algemene lay-out van het weefsel. Het andere model, gebaseerd op traditionele beeldverwerkingstechnieken, is uitzonderlijk goed in het opsporen van de minuscule, fijne details en texturen waar de vroege tekenen van ziekte vaak verborgen liggen. Door deze twee modellen samen te laten werken en te laten stemmen over het definitieve antwoord, creëert het systeem een completer beeld dan elk van hen alleen zou kunnen bereiken.
Om hun idee te testen, gebruikte het team een grote collectie digitale afbeeldingen genomen van maagweefselmonsters, die ze hadden opgeschoond met een specifieke reeks stappen om ruis te verwijderen en het contrast te verscherpen. Vervolgens trainden ze hun hybride systeem op deze afbeeldingen, waarbij ze het systeem leerden om de acht verschillende soorten weefsel te herkennen: tumorweefsel, vet, residu, lymfocyten (immuuncellen), slijm, glad spierweefsel, normale maagwand en een ondersteunend weefsel genaamd stroma. Het systeem werd getest op afbeeldingen die het nog nooit eerder had gezien, en het identificeerde het type weefsel ongeveer 75 procent van de tijd correct. Hoewel dit als een bescheiden score kan klinken, was het een duidelijke verbetering ten opzichte van de enkelvoudige model-systemen die de onderzoekers voor vergelijking probeerden, welke moeite hadden om hetzelfde niveau van nauwkeurigheid te bereiken. De hybride aanpak bewees dat het combineren van het "overzicht" van het ene model met de "close-up" van het andere een effectievere strategie was voor deze complexe taak.
De onderzoekers stopten niet bij het bouwen van een model; ze enveloppten het in een werkende softwaretoepassing die iedereen met een webbrowser kan gebruiken. Een gebruiker kan een afbeelding van een weefselcoupe uploaden, en binnen enkele seconden geeft het systeem een voorspelling van wat het weefsel is, samen met een betrouwbaarheidsscore en een uitleg in gewone taal over het resultaat. Het systeem houdt ook een verslag bij van eerdere analyses, waardoor artsen of onderzoekers terug kunnen kijken op eerdere resultaten. Het team was zorgvuldig om te vermelden dat dit systeem momenteel een onderzoeksprototype is, en geen hulpmiddel dat direct in een ziekenhuis kan worden gebruikt. De nauwkeurigheid, hoewel veelbelovend, is nog niet hoog genoeg om een menselijke arts te vervangen, en het systeem verwart soms twee specifieke soorten gezond weefsel die erg veel op elkaar lijken. Bovendien werd het systeem getraind op afbeeldingen van een enkele bron, dus het is onduidelijk hoe goed het zou presteren op monsters van verschillende ziekenhuizen of met verschillende kleurmethoden.
Ondanks deze beperkingen biedt het werk een duidelijk pad vooruit. De studie suggereert dat de toekomst van computerondersteunde pathologie ligt in het combineren van verschillende soorten kunstmatige intelligentie om het volledige spectrum aan informatie in een weefselmonster vast te leggen. De onderzoekers zijn van plan hun systeem te verbeteren door visuele verklaringen toe te voegen die laten zien welke delen van de afbeelding tot een specifieke conclusie hebben geleid, een functie die artsen zou helpen het oordeel van de machine te vertrouwen. Ze streven er ook naar om het systeem te trainen op een veel grotere en diversere set afbeeldingen om verwarring tussen vergelijkbare weefsels te verminderen. Door de kloof tussen ruwe data en een bruikbare interface te overbruggen, laat dit project zien dat hoewel kunstmatige intelligentie nog geen vervanging is voor menselijke expertise, het een krachtige partner aan het worden is in het lange en moeilijke werk van het diagnosticeren van kanker.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.