换一批基于混合CNN和Transformer模型的胃癌病理图像精准分割技术及其应用价值
Precise segmentation technology for gastric cancer pathological images based on hybrid CNN and Transformer model and its application value
摘要目的 探讨基于混合卷积神经网络(convolutional neural network,CNN)模型和Transformer模型的图像精准分割技术对胃癌病理诊断的应用价值,以提高诊断准确率和诊断效率.方法 开发GasUnet混合分割模型,编码器采用并行双分支结构,分别利用CNN提取局部形态特征、Transformer建模全局空间关系,并通过门控注意力机制自适应融合2类特征.回顾性分析2018-2023年西安交通大学第一附属医院行胃癌根治术的病理标本,共8 642张胃癌病理切片,以专家共识为金标准进行模型训练与验证,设置常规诊断组(由病理医师独立阅片诊断)和GasUnet辅助诊断组(病理医师在GasUnet模型分割结果辅助下完成诊断),比较两组与金标准诊断的诊断准确率、平均诊断时间、微小病灶(脉管癌栓、神经侵犯等)检出率及不同年资医师间的诊断一致性.结果 GasUnet模型Dice系数达0.902(95%CI:0.895～0.909),显著优于U-Net(0.831)及TransUNet(0.863)等模型(P<0.010).临床应用显示,GasUnet模型辅助胃癌病理诊断的整体诊断准确率较常规诊断组提高(96.8%vs.93.2%,P=0.002),尤其对印戒细胞癌的检出率显著提高(94.8%vs.83.5%,P<0.001),整体诊断时间缩短38.9%(P<0.001),微小病灶检出率提高11.7%(P=0.006),不同年资医师诊断符合率较常规诊断也显著提升(97.1%vs.92.8%,P=0.018).结论 GasUnet模型能够显著提升胃癌病理图像分割精度及临床诊断效能,为临床病理诊断提供了有效的辅助工具.
更多相关知识
关键词
胃癌图像分割深度学习模型Transformer数据共享人工智能(AI)病理诊断GasUnet混合分割模型gastric cancerimage segmentationdeep learning modelTransformerdata sharingAIpathological diagnosisGasUnet hybrid segmentation model
栏目名称
DOI
10.7652/jdyxb202602026
发布时间
2026-03-31（万方平台首次上网日期，不代表论文的发表时间）
- 浏览9
- 被引0
- 下载8
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
