深層学習に基づく手法、例えばクロップされた画像の分類に用いられるスライディングウィンドウアプローチや全体スライド推論に用いられるヒューリスティック集約法は、高解像度顕微鏡画像における組織学的パターンの分析において有望な結果を示しています。しかしながら、これらの手法は煩雑な注釈作業を必要とし、断片的であるという課題があります。本診断研究では、新しいモデル（畳み込みニューラルネットワークとグリッドベースの注意ネットワークから構成）を訓練するために、領域注釈なしで訓練可能な非識別化された高解像度組織学的画像（N = 379）を集積しました。2016年1月1日から2018年12月31日の間にダートマス・ヒッチコック医療センター（レバノン、ニューハンプシャー州）で内視鏡下食道および食道胃接合部粘膜生検を受けた患者の組織学的画像が収集されました。この手法は、123枚のテスト画像の分類において平均精度0.83を達成しました。この結果は、領域注釈を使用して訓練された現行最先端のスライディングウィンドウアプローチと比較しても同等かそれ以上の性能を示しておりました。本研究の結果は、Barrett食道および食道腺癌検出のために提案された注意メカニズムに基づく深層ニューラルネットワークフレームワークが重要であることを示唆しています。これは既存の方法とは異なり、組織レベルでの注釈のみに基づいているためです。この新モデルは、深層学習をデジタル病理学に応用する新たな道を開くものと期待されています。