
-
生物通官微
陪你抓住生命科技
跳动的脉搏
CSNet:用于基于组织病理学癌症诊断的可靠认知模拟网络
《Journal of Imaging Informatics in Medicine》:CSNet: Cognitive Simulation Network for Reliable Histopathology-Based Cancer Diagnosis
【字体: 大 中 小 】 时间:2026年10月15日 来源:Journal of Imaging Informatics in Medicine 3.1
编辑推荐:
摘要基于组织病理学的癌症诊断对于早期检测和及时治疗干预至关重要。然而,大多数用于组织病理学图像分类的深度学习方法是作为预测模型进行优化的,对临床诊断工作流程的考虑有限。在实际操作中,病理学家通常遵循一种顺序推理过程:对可能的异常进行粗略评估、对可疑区域进行详细检查,以及通过会
基于组织病理学的癌症诊断对于早期检测和及时治疗干预至关重要。然而,大多数用于组织病理学图像分类的深度学习方法是作为预测模型进行优化的,对临床诊断工作流程的考虑有限。在实际操作中,病理学家通常遵循一种顺序推理过程:对可能的异常进行粗略评估、对可疑区域进行详细检查,以及通过会诊式推理来降低不确定性。为了基于组织病理学的癌症诊断提供更加可靠且可解释的决策支持,我们提出了认知模拟网络(CSNet),该网络借鉴了病理学家的顺序诊断工作流程。首先,多视角模糊评估模块通过可学习的模糊隶属函数整合频率、纹理和梯度线索,以估计视角级别的异常程度,从而对可疑病理证据进行初步评估。在该评估的引导下,梯度引导的模糊调节器将异常信息转化为空间引导,增强信息丰富的高梯度形态响应,同时抑制冗余的低信息区域。基于调节后的表示,不确定性引导的多专家协同机制估计诊断不确定性,并协调多个专家分支生成共识表示,以实现可靠的预测。在Kather-5 K、LC25000、LC25000-clean以及收集的宫颈癌组织病理学数据集上的大量实验表明,CSNet取得了卓越的性能,准确率分别为97.673%、99.964%、97.920%和99.861%。消融实验验证了所提设计的有效性,统计分析确认了所观察到改进的可靠性。同时,鲁棒性评估和对比可视化展示了稳定的性能以及在诊断相关组织区域中更一致的响应,突显了CSNet在基于组织病理学的癌症诊断方面的潜力。