基于 Vision Transformer 的深度学习用于子宫内膜癌组织学分类
计算机视觉与模式识别
2024-03-28 v2
摘要
子宫内膜癌是美国女性中第四常见的癌症，女性患该病的终生风险约为 2.8%。对子宫内膜癌进行精确的组织学评估和分子分类对于有效的患者管理和确定最佳治疗方式至关重要。本研究引入了 EndoNet，它使用卷积神经网络提取组织学特征，并使用 vision transformer 聚合这些特征，根据其视觉特征将切片分类为高级别和低级别。该模型在 Dartmouth-Health 子宫切除术病例的 929 张数字化苏木精-伊红染色的子宫内膜癌全切片图像上进行了训练。它将这些切片分类为低级别（子宫内膜样癌 1 级和 2 级）和高级别（子宫内膜样癌 FIGO 3 级、子宫浆液性癌、癌肉瘤）类别。EndoNet 在 110 名患者的内部测试集和来自公共 TCGA 数据库的 100 名患者的外部测试集上进行了评估。该模型在内部测试中实现了 0.91（95% CI: 0.86-0.95）的加权平均 F1 分数和 0.95（95% CI: 0.89-0.99）的 AUC，在外部测试中 F1 分数为 0.86（95% CI: 0.80-0.94），AUC 为 0.86（95% CI: 0.75-0.93）。在进一步验证后，EndoNet 有望在无需手动注释的情况下支持病理学家对妇科病理肿瘤进行分级分类。
引用
@article{arxiv.2312.08479,
title = {Vision Transformer-Based Deep Learning for Histologic Classification of Endometrial Cancer},
author = {Manu Goyal and Laura J. Tafe and James X. Feng and Kristen E. Muller and Liesbeth Hondelink and Jessica L. Bentz and Saeed Hassanpour},
journal= {arXiv preprint arXiv:2312.08479},
year = {2024}
}
备注
4 Tables and 3 Figures