基于注意力机制的深度神经网络在组织病理切片中检测食管癌及癌前病变组织

基于深度学习的方法，如用于裁剪图像分类的滑动窗口方法和用于全切片推理的启发式聚合方法，在分析高分辨率显微镜图像中的组织学模式方面已显示出有前景的结果。然而，这些方法需要繁琐的注释过程，并且较为分散。本诊断研究收集了去标识化的高分辨率组织学图像（N = 379），用于训练一种新的模型，该模型由卷积神经网络和基于网格的注意力网络组成，无需感兴趣区域注释即可进行训练。收集的图像是2016年1月1日至2018年12月31日期间在达特茅斯-希区柯克医疗中心（黎巴嫩，新罕布什尔州）接受内镜食管和胃食管交界处黏膜活检的患者的组织学图像。该方法在分类123张测试图像时达到了平均准确率为0.83的成绩。这些结果与现有的最先进的滑动窗口方法相当或更好，而后者是在使用感兴趣区域进行训练的情况下实现的。本研究的结果表明，所提出的基于注意力机制的深度神经网络框架对于巴雷特食管和食管腺癌检测具有重要意义，因为它仅依赖于组织水平的注释，而不像现有方法那样依赖于感兴趣区域。这一新模型有望为将深度学习应用于数字病理学开辟新的途径。