Aufmerksamkeitsbasierte Tiefneuronale Netze zur Detektion von karzinogenem und präkarzinogenem Speiseschleimhautgewebe in histopathologischen Präparaten

Tiefes Lernen-basierte Methoden, wie der Sliding-Window-Ansatz für die Klassifizierung von zugeschnittenen Bildern und heuristische Aggregation für die Inferenz ganzer Folien, haben bei der Analyse histologischer Muster in hochaufgelösten Mikroskopiebildern vielversprechende Ergebnisse gezeigt. Diese Ansätze erfordern jedoch einen aufwendigen Annotationprozess und sind fragmentiert. Diese diagnostische Studie sammelte anonymisierte hochaufgelöste histologische Bilder (N = 379), um ein neues Modell zu trainieren, das aus einem Faltungsneuronales Netzwerk und einem gitterbasierten Aufmerksamkeitsnetzwerk besteht, das ohne Annotationen von Interessengebieten trainiert werden kann.Es wurden histologische Bilder von Patienten gesammelt, die zwischen dem 1. Januar 2016 und dem 31. Dezember 2018 an der Dartmouth-Hitchcock Medical Center (Lebanon, New Hampshire) eine endoskopische Biopsie des Ösophagus und des gastroösophagealen Übergangs unterzogen hatten. Die Methode erreichte eine durchschnittliche Genauigkeit von 0,83 bei der Klassifizierung von 123 Testbildern. Diese Ergebnisse waren vergleichbar mit oder besser als die Leistung des aktuellen state-of-the-art Sliding-Window-Ansatzes, der mit Interessengebieten trainiert wurde.Die Ergebnisse dieser Studie deuten darauf hin, dass das vorgeschlagene aufmerksamkeitsbasierte tiefes Neuronales-Netzwerk-Framework zur Detektion von Barrett-Schleimhaut und ösophagalem Adenokarzinom wichtig ist, da es ausschließlich auf gewebeebenen Annotationen basiert, im Gegensatz zu bestehenden Methoden, die auf Interessengebieten basieren. Dieses neue Modell wird erwartet, dass es Wege für die Anwendung des tiefen Lernens in der digitalen Pathologie eröffnet.