人工智能在淋巴瘤诊断中的应用：从卷积神经网络到视觉转换器

最近的研究表明，视觉转换器在预训练于足够大的数据集后能够超越卷积神经网络。视觉转换器模型在大规模数据集上表现出良好的准确率，具有多模态训练特征。鉴于其前景光明的特征检测能力，我们旨在探索视觉转换器模型用于诊断异常大细胞淋巴瘤 (anaplastic large cell lymphoma) 与经典哈茨金淋巴瘤 (classical Hodgkin lymphoma)，使用 HE 切片的病理全切片图像。我们将视觉转换器的分类性能与先前设计的卷积神经网络在相同数据集上的性能进行比较。该数据集包括 20 例 HE 切片全切片图像，其中每类诊断包含 10 例。从每个全切片图像中获取 60 张尺寸为 100×100 像素、放大倍率为 20 的图像块，共得到 1200 张图像块，其中 90% 用于训练，9% 用于验证，10% 用于测试。卷积神经网络模型的测试结果此前已显示出 100% 的优秀诊断准确率。视觉转换器模型的测试结果也显示出相当的准确率达到 100%。在作者所知的第一时间，对比使用相同淋巴瘤数据集的视觉转换器模型与卷积神经网络模型的预测性能而言，卷积神经网络具有更成熟的架构，当大规模预训练不可用时通常是最佳选择。然而，本研究表明即使在异常大细胞淋巴瘤和经典哈茨金淋巴瘤相对较小的数据集上，视觉转换器也能实现与卷积神经网络相当且优秀的准确率。