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

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。

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

基金资助

西安交通大学第一附属医院科研基金资助项目(No.2021QN-10)