Multi-Class Gastric Histopathology Classification Using a Hybrid Swin Transformer–ConvNeXt Model
本文提出了一种结合了 Flask Web 界面的 Swin Transformer–ConvNeXt 混合深度学习模型，该模型在将胃组织病理学图像分为八种不同组织类型方面达到了 75.35% 的准确率，旨在辅助病理学家进行胃癌诊断。
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
每年，大约有66万人死于胃癌。在这种疾病中，生与死的区别往往取决于发现的时机早晚。目前的诊断标准依赖于病理学家——一种经过高度专业化训练的医学专家，他们通过显微镜观察用彩色染料染色的薄组织切片。这位人类专家必须识别细胞景观中的细微模式，以区分健康组织与癌性生长。然而，这个过程缓慢、耗时，且容易出现人为错误；两位经验丰富的医生在观察同一张切片时，对于所见之物并不总能达成一致。随着患者数量的增加，诊断需求与专家可用性之间的差距不断扩大，从而形成了延迟治疗的瓶颈。近年来，科学家们转向利用人工智能来帮助分担这一负担，教计算机识别医学图像中可能过于微弱或复杂、以至于人类肉眼难以持续捕捉到的模式。
来自巴基斯坦的一个研究小组在该领域取得了重大进展，他们开发了一种旨在以更高精度分析胃组织的新型计算机系统。他们并没有简单地要求计算机判断一个样本是“癌症”还是“非癌症”，而是构建了一个可以将组织分为八个不同类别的工具。这是一个至关重要的区别，因为了解存在的非癌性组织具体是什么类型——无论是脂肪、肌肉、黏液还是免疫细胞——都能为医生的整体诊断提供关键的背景信息。研究人员开发了一种混合系统，结合了两种不同类型的人工智能模型。其中一种模型受人类处理语言的方式启发，擅长理解组织的宏观整体布局；另一种模型则基于传统的图像处理技术，极其擅长捕捉那些早期疾病迹象往往隐藏其中的微小、精细的细节和纹理。通过让这两个模型协同工作并对最终答案进行投票，该系统创造了一个比任何单一模型都能实现的更完整的图景。
为了测试他们的想法，团队使用了一组从胃组织样本中获取的大型数字图像，并使用特定的步骤对这些图像进行了清理，以去除噪声并增强对比度。随后，他们利用这些图像训练了这个混合系统，教会它识别八种不同的组织类型：肿瘤组织、脂肪、碎屑、淋巴细胞（免疫细胞）、黏液、平滑肌、正常胃粘膜以及一种被称为间质的支持组织。该系统在从未见过的图像上进行了测试，并在大约75%的情况下正确识别了组织类型。虽然这听起来是一个适中的分数，但它明显优于研究人员用于对比的单模型系统，后者很难达到同样的准确度。这种混合方法证明，将一种模型的“大局观”与另一种模型的“特写视角”相结合，是完成这项复杂任务更有效的策略。
研究人员并未止步于构建模型，他们还将其封装在一个任何拥有网络浏览器的人都可以使用的运行软件应用程序中。用户可以上传一张组织切片图像，系统会在几秒钟内返回对组织类型的预测，并附带一个置信度评分和一段用通俗语言解释的结果。该系统还会保存过去的分析记录，允许医生或研究人员查看之前的分析结果。团队仔细指出，该系统目前是一个研究原型，而非可立即在医院投入使用的工具。其准确性虽然令人期待，但尚未高到可以取代人类医生的程度，且该系统有时会混淆两种看起来非常相似的特定健康组织类型。此外，该系统的训练图像来自单一来源，因此尚不清楚它在不同医院或使用不同染色方法的样本上表现如何。
尽管存在这些局限性，这项工作仍提供了清晰的前行路径。研究表明，计算机辅助病理学的未来在于结合不同类型的人工智能，以捕捉组织样本中的全方位信息。研究人员计划通过添加视觉解释来改进他们的系统，展示图像中哪些部分导致了特定的结论，这一功能将有助于医生信任机器的判断。他们还旨在利用规模更大、更多样化的图像集来训练系统，以减少不同组织间的混淆。通过在原始数据与可用界面之间架起桥梁，这个项目证明了，虽然人工智能尚未成为人类专业知识的替代品，但它正在成为诊断癌症这一漫长而艰巨工作中的强大伙伴。
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。