利用人工智能通过组织病理图像分析加速前列腺癌的检测

《Microscopy Research and Technique》：Accelerating Prostate Cancer Detection Through Histopathological Image Analysis Using Artificial Intelligence

前列腺癌病理图像分析提出混合深度学习框架，整合CNN（VGG-16、DenseNet-121、AlexNet）与ViT，通过CAF模块融合特征，KD实现轻量化。使用PANDA数据集，预处理包括图像增强，评估显示97.91%准确率，敏感性和特异性显著提升，平衡精度与效率。

　　

摘要

前列腺癌是一种普遍且严重的健康问题，是全球男性中最常被诊断出的癌症之一，也是导致癌症相关死亡的主要原因之一。早期发现和准确诊断对于通过限制疾病进展来改善患者预后至关重要。组织病理学图像分析仍然是前列腺癌检测的金标准；然而，手动解读耗时且需要专业知识。为了解决这些挑战，本研究提出了一种混合深度学习框架，该框架结合了多个迁移学习的卷积神经网络（VGG-16、DenseNet-121和AlexNet）与经过微调的视觉变换器（ViT）。CNN集成网络提取丰富的局部特征，而ViT通过自注意力机制和多层感知器（MLP）捕捉全局上下文依赖性。此外，交叉注意力融合（CAF）模块整合了局部和全局特征，知识蒸馏（KD）使得模型更加轻量，适合高效临床应用。本研究使用公开可用的PANDA数据集进行训练和测试。包括补丁生成、伽马校正和染色反卷积在内的预处理步骤提升了图像质量和特征表示。采用准确性、真正例率（TPR）、真负例率（TNR）、精确度、F1分数、假负例率（FNR）和假正例率（FPR）等标准性能指标进行了全面评估。消融研究证实了每个模块的贡献，强调了集成CNN、CAF和ViT在提高性能方面的关键作用。实验结果表明，所提出的模型优于传统的迁移学习模型和现有的最先进技术，准确率达到97.91%，同时显著提高了TPR和TNR，并降低了FNR/FPR。从参数、FLOPs、GPU内存和推理时间等方面评估的计算复杂性表明，该模型比传统CNN要求更高。尽管如此，该架构在预测准确性和效率之间取得了实际平衡，适用于实际临床应用。这些发现凸显了基于AI的混合模型在加速前列腺癌诊断和实现及时干预以改善患者预后方面的潜力。

亮点

• 前列腺癌是一种普遍且严重的健康问题，是全球男性中最常被诊断出的癌症之一，也是导致癌症相关死亡的主要原因之一。早期发现和准确诊断对于通过限制疾病进展来改善患者预后至关重要。
• 组织病理学图像分析仍然是前列腺癌检测的金标准；然而，手动解读耗时且需要专业知识。
• 为了解决这些挑战，本研究提出了一种混合深度学习框架，该框架结合了多个迁移学习的卷积神经网络（VGG-16、DenseNet-121和AlexNet）与经过微调的视觉变换器（ViT）。CNN集成网络提取丰富的局部特征，而ViT通过自注意力机制和多层感知器（MLP）捕捉全局上下文依赖性。
• 此外，交叉注意力融合（CAF）模块整合了局部和全局特征，知识蒸馏（KD）使得模型更加轻量，适合高效临床应用。
• 本研究使用公开可用的PANDA数据集进行训练和测试。包括补丁生成、伽马校正和染色反卷积在内的预处理步骤提升了图像质量和特征表示。
• 采用准确性、真正例率（TPR）、真负例率（TNR）、精确度、F1分数、假负例率（FNR）和假正例率（FPR）等标准性能指标进行了全面评估。消融研究证实了每个模块的贡献，强调了集成CNN、CAF和ViT在提高性能方面的关键作用。
• 实验结果表明，所提出的模型优于传统的迁移学习模型和现有的最先进技术，准确率达到97.91%，同时显著提高了TPR和TNR，并降低了FNR/FPR。
• 从参数、FLOPs、GPU内存和推理时间等方面评估的计算复杂性表明，该模型比传统CNN要求更高。尽管如此，该架构在预测准确性和效率之间取得了实际平衡，适用于实际临床应用。
• 这些发现凸显了基于AI的混合模型在加速前列腺癌诊断和实现及时干预以改善患者预后方面的潜力。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可在合理请求下从相应作者处获得。