ThyroidEffi 1.0：用于高性能多类甲状腺癌分类的低成本系统
计算机视觉与模式识别
2025-04-29 v2 人工智能
摘要
背景：甲状腺细针吸引生物标本(FNAB)图像的自动分类面临数据有限、观察者间变异性大以及计算成本高等挑战。高效、可解释的模型对临床支持至关重要。目的：开发并外部验证一种深度学习系统，用于将甲状腺FNAB图像直接分类为三个关键类别，这三个类别直接指导越南的术后治疗：良性(Bethesda II)、不确定/可疑(BI, III, IV, V)以及恶性(BVI)，以实现高诊断准确性并具备低计算开销。方法：我们的管道包括：（1）YOLOv10细胞簇检测用于信息子区域提取/降噪；（2）课程学习排序局部作物以捕获多尺度；（3）自适应轻量级EfficientNetB0（4M参数）在性能和效率之间进行权衡；以及（4）用于多尺度/多区域分析的Transformer启发模块。外部验证使用1,015个独立FNAB图像。结果：ThyroidEffi Basic在内部测试集上实现89.19%的宏F1分数和0.98（良性）、0.95（不确定/可疑）、0.96（恶性）的AUC。外部验证结果显示0.9495（良性）、0.7436（不确定/可疑）、0.8396（恶性）的AUC。ThyroidEffi Premium将宏F1提高到89.77%。Grad-CAM突出显示关键诊断区域，确认可解释性。系统在30秒内处理1000个案件，表明可在广泛可用的硬件上实现可行性。结论：本工作表明，仅凭最低的计算需求即可实现高准确度、可解释的甲状腺FNAB图像分类。
引用
@article{arxiv.2504.14139,
title = {ThyroidEffi 1.0: A Cost-Effective System for High-Performance Multi-Class Thyroid Carcinoma Classification},
author = {Hai Pham-Ngoc and De Nguyen-Van and Dung Vu-Tien and Phuong Le-Hong},
journal= {arXiv preprint arXiv:2504.14139},
year = {2025}
}
备注
Preprint