核心概念
Das vorgestellte Integratives Graph-Transformer-Framework (IGT) erfasst gleichzeitig kontextbezogene relationale Merkmale auf lokaler Ebene der Geweberegionen und globale Darstellungen des gesamten Whole-Slide-Bildes, um eine überlegene Leistung bei der Klassifizierung zu erzielen.
要約
Die Studie präsentiert ein neuartiges Integratives Graph-Transformer-Framework (IGT) für die Darstellung und Klassifizierung von histopathologischen Whole-Slide-Bildern (WSI).
Das Kernkonzept des IGT-Frameworks besteht aus einer Abfolge von Graph-Transformer-Integrations-Blöcken, wobei jeder Block eine Graph-Convolutional-Network-Schicht zur Erfassung der räumlichen Beziehungen zwischen benachbarten Geweberegionen und ein globales Aufmerksamkeitsmodul zur Erfassung der umfassenden globalen Informationen des gesamten WSI kombiniert.
Durch die simultane Modellierung der räumlichen Beziehungen auf lokaler Ebene und der langreichweitigen paarweisen Korrelationen über alle Instanzen hinweg ist das IGT-Framework in der Lage, sowohl die kontextbezogenen relationalen Merkmale als auch die globalen WSI-Darstellungen effektiv zu erfassen.
Die Leistungsfähigkeit des IGT-Frameworks wird anhand von drei öffentlich zugänglichen WSI-Datensätzen (TCGA-NSCLC, TCGA-RCC und BRIGHT) evaluiert. Die Ergebnisse zeigen, dass das IGT-Framework die aktuellen State-of-the-Art-Methoden deutlich übertrifft und eine Verbesserung der Genauigkeit um 1,0% bis 2,6% und der AUROC um 0,7% bis 1,6% erzielt.
統計
Die Genauigkeit (ACC) und die Fläche unter der Receiver Operating Characteristic Curve (AUROC) werden als Evaluierungsmetriken verwendet.
Für den TCGA-NSCLC-Datensatz erreicht unser IGT-Framework eine Genauigkeit von 91,6% und eine AUROC von 96,7%.
Für den TCGA-RCC-Datensatz erreicht unser IGT-Framework eine Genauigkeit von 92,4% und eine AUROC von 98,4%.
Für den BRIGHT-6class-Datensatz erreicht unser IGT-Framework eine Genauigkeit von 43,4% und eine AUROC von 74,5%.
引用
"Unser IGT-Framework übertrifft die aktuellen State-of-the-Art-Methoden deutlich und erzielt eine Verbesserung der Genauigkeit um 1,0% bis 2,6% und der AUROC um 0,7% bis 1,6%."
"Das Kernkonzept des IGT-Frameworks besteht aus einer Abfolge von Graph-Transformer-Integrations-Blöcken, wobei jeder Block eine Graph-Convolutional-Network-Schicht zur Erfassung der räumlichen Beziehungen zwischen benachbarten Geweberegionen und ein globales Aufmerksamkeitsmodul zur Erfassung der umfassenden globalen Informationen des gesamten WSI kombiniert."