An Attention-Guided Transfer Learning Framework for Automated Basal Cell Carcinoma Diagnosis from Histopathological Images
本研究提出了一种注意力引导的迁移学习框架，该框架将混合通道-空间注意力机制与 EfficientNet-B2 架构相结合，旨在实现基底细胞癌自动化病理诊断的高准确性、鲁棒性和可解释性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
皮肤癌是一个常见的威胁，但其中一种形式——基底细胞癌，如果能及早发现，是非常容易治疗的。诊断这种癌症的金标准是让病理学家在显微镜下观察极薄的皮肤切片，寻找指示疾病的特定细胞模式。这一过程至关重要，但它也十分缓慢，且高度依赖于人眼，而人眼有时可能会错过细微的细节，或者对同一张图像产生与另一位专家不同的解读。近年来，科学家们开始教计算机如何观察这些显微图像，希望以此创造出能够辅助医生、通过速度和一致性来发现癌症迹象的工具。挑战在于，如何教这些机器识别人类组织中复杂且杂乱的纹理，而不至于被海量的数据或有限的训练样本所迷惑。
一个研究小组致力于构建一种更智能的方式，让计算机能够诊断这种特定的皮肤癌。他们的重点是创建一个不仅能得出正确答案，还能“展示其推导过程”的系统，从而允许人类医生准确看到图像中的哪些部分导致了计算机的结论。为此，他们从 1,150 张皮肤组织显微图像开始，其中一半显示癌症，另一半显示健康皮肤。由于这个数字对于训练计算机来说相对较少，研究人员使用了一种称为“数据增强”的技术。这包括对现有图像进行处理，通过旋转、翻转或调整亮度，创造出许多经过轻微修改的新版本。这个过程将他们的训练库扩展到了约 6,000 张图像，使计算机可以从更多示例中学习，而无需收集数千张新的物理载玻片。
研究人员测试了几种不同的预训练计算机大脑架构，这些架构就像是已经学会识别普通照片中物体的不同风格的“思考引擎”。他们对这些引擎进行了微调，使其专门专注于皮肤组织中的模式。为了让系统更加敏锐，他们添加了一个特殊的“注意力机制”。你可以将这个注意力机制想象成计算机在图像内部打开的一个“聚光灯”。它不再平等地观察整幅图像，而是强迫计算机高度集中精力观察那些看起来像癌症的特定细胞簇，同时忽略可能干扰它的周围健康组织或背景噪声。团队在三种不同的引擎设计上测试了这种方法，以观察哪种组合效果最好。
结果显示，该系统表现得非常出色。最成功的设置是将一种特定的高效引擎设计与聚光灯注意力机制相结合。在计算机学习过的图像上，该系统正确识别癌症或健康组织的比例达到了 98.26%。更重要的是，当研究人员在另一组完全陌生的 250 张图像（这些图像来自不同的医院档案库，计算机从未见过）上测试该系统时，它依然表现强劲，准确率达到了 87.54%。这种针对新数据的测试至关重要，因为它证明了该系统不仅仅是在死记硬背训练图，而是真正学习了癌症外观的底层规则。该系统还证明了自己比他们测试的许多其他复杂模型更快、更高效，这使其成为实际应用的有力候选者。
除了数字之外，研究人员还观察了计算机在“看”哪里。他们生成了视觉图谱，展示了计算机认为重要的显微镜载玻片的具体部位。这些图谱始终强调特定的癌症细胞巢，与人类病理学家检查的区域相吻合。这种指向正确位置的能力让医生能够信任计算机的决定，将这个工具从一个神秘的“黑匣子”转变为一个透明的助手。研究结论指出，通过结合从现有知识中学习的能力、精简计算机设计的效率以及注意力机制提供的专注力，可以创造出一种准确、快速且具有可解释性的诊断工具。虽然研究人员指出，仍需在更大规模、更多样化的患者群体中进行进一步测试，但他们的工作为帮助病理学家更可靠、更快速地诊断皮肤癌指明了一条清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。