轻量级、可解释的深度学习系统用于自动检测宫颈腺癌原位
计算机视觉与模式识别
2025-11-25 v1 组织与器官
摘要
宫颈腺癌原位 (AIS) 是一种关键的良性病变，其准确的组织病理学诊断具有挑战性。早期检测对于预防继发生宫颈腺癌至关重要。本研究开发了一种基于深度学习的虚拟病理助手，能够使用包含2240个专家标注的 H&E 图像数据集 (1010 normal 和 1230 AIS) 区分 AIS 与正常宫颈腺组织。所有图像均经过 Macenko stain 归一化和基于补丁的预处理，以增强形态特征表示。采用类平衡抽样和焦点损失训练 EfficientNet-B3 卷积神经网络，以解决数据集不平衡问题并突出困难样本。最终模型实现了 0.7323 的总体准确率，针对异常类别的 F1 分数为 0.75，针对正常类别的 F1 分数为 0.71。Grad-CAM 热图显示出生物学可解释的激活模式，突出显示与 AIS 病理学特征一致的核形态异常和腺体拥挤。该训练好的模型已部署在基于 Gradio 的虚拟诊断助手中。这些发现表明了轻量级、可解释的人工智能系统在宫颈腺病理学中的可行性，具有在筛查工作流程、教育和资源有限的环境中的潜在应用。
引用
@article{arxiv.2511.18063,
title = {A Lightweight, Interpretable Deep Learning System for Automated Detection of Cervical Adenocarcinoma In Situ (AIS)},
author = {Gabriela Fernandes},
journal= {arXiv preprint arXiv:2511.18063},
year = {2025}
}