Двойной поток искусственного интеллекта сокращает время диагностики лимфомы и выявляет скрытые клеточные границы
Аннотация Цель: Точная стратификация диффузной крупноклеточной B-клеточной лимфомы (DLBCL) на подтипы MYC имеет решающее значение для определения интенсивности терапии. Хотя Vision Transformers (ViT) превосходно улавливают глобальный контекст тканей, их квадратичная вычислительная сложность приводит к медленной сходимости. Чтобы решить эту проблему, мы разработали PyConv, двухпотоковую сеть, предназначенную для ускорения обучения при сохранении точной классификации DLBCL. Методы: PyConv объединяет локальные блоки ConvFormer с глобальными блоками Pyramid Vision Transformer (PVT), объединяя цитологические границы и контекст ткани на макроуровне с помощью слоя слияния Multi-Head Cross-Attention. Архитектура была оценена с использованием 180 полных изображений слайдов (69 480 тестовых участков) на основе 13 современных магистральных сетей. Результаты: PyConv достиг многоклассовой точности и макро-оценки F1 0,9962, абсолютной границы принятия решения для доброкачественных когорт и злокачественной стратификации AUROC 0,9999. Он достиг оптимального обобщения к 20-й эпохе, 83.5% сократил время сходимости по сравнению с чистыми трансформаторами. В то время как чистые гибридные модели показали немного более высокую исходную пропускную способность, тестирование Делонга подтвердило, что отклонения в производительности были статистически незначимыми. Grad-CAM, Integrated Gradient и Attention Rollout подтвердили, что PyConv правильно расставляет приоритеты ключевых цитологических функций, таких как контуры ядра и выступающие ядрышки. Вывод: PyConv предлагает высокоскоростную, вычислительно сбалансированную альтернативу стратификации DLBCL без ущерба для диагностической точности или клинической интерпретируемости.
## В чем суть открытия Исследователи создали двухпоточный ИИ, который сочетает в себе детали клеток крупным планом с широким обзором тканей для быстрой и точной классификации лимфомы. ## Как это устроено: принцип работы Система объединяет локальные блоки ConvFormer, которые фиксируют острые цитологические края, с блоками Pyramid Vision Transformer, которые анализируют макроструктуру ткани. Многоглавый уровень перекрестного внимания объединяет эти потоки в единое представление. Динамическая ранняя остановка останавливает обучение на 20-й эпохе, когда генерализация достигает пика. ## Что это меняет на практике Ускоряет рабочие процессы патологии в течение 1–3 лет, обеспечивая быструю и высоконадежную стратификацию подтипов лимфомы для принятия решений о целенаправленной терапии. ## Границы метода и риски Чистые гибридные модели демонстрируют несколько более высокую исходную пропускную способность, а практическое развертывание требует тестирования на различных наборах клинических данных из нескольких центров. ## Результаты и доказательства - **Комплексный скор значимости:** 9.5 / 10.0 - **Уровень доказательности:** программный бенчмарк и верификация - **Бенчмарки и прирост:** Multi-class accuracy: 0.9962, Macro F1-score: 0.9962, AUROC: 0.9999, Convergence time reduction: 83.5% (epoch 20) - **Размер выборки / валидация:** N = 180 whole-slide images (69,480 testing patches)