
-
生物通官微
陪你抓住生命科技
跳动的脉搏
口腔鳞状细胞癌组织病理学分类中深度学习架构的泛化能力:一项结合外部验证与标签质量分析的卷积神经网络与视觉Transformer比较研究
《Journal of Imaging Informatics in Medicine》:Generalizability of Deep Learning Architectures for Oral Squamous Cell Carcinoma Classification in Histopathology: A Comparative CNN–Vision Transformer Study with External Validation and Label-Quality Analysis
【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:
摘要口腔鳞状细胞癌(OSCC)是最常见的口腔恶性肿瘤,诊断延迟是预后不良的重要因素。深度学习在OSCC的病理学检测中展现出潜力,但已报告的性能通常基于单一来源的数据集,外部验证有限且标注质量参差不齐。本研究旨在比较代表性的卷积神经网络(CNN)和Transformer架构在O
口腔鳞状细胞癌(OSCC)是最常见的口腔恶性肿瘤,诊断延迟是预后不良的重要因素。深度学习在OSCC的病理学检测中展现出潜力,但已报告的性能通常基于单一来源的数据集,外部验证有限且标注质量参差不齐。本研究旨在比较代表性的卷积神经网络(CNN)和Transformer架构在OSCC病理学分类中的表现,并评估其在外域偏移下的泛化能力。本研究共对114例患者的10,817张H&E染色图像切片进行分类,类别为OSCC或正常/对照。所有图像由两名口腔病理学家独立审核,存在分歧的病例由高级病理学家裁定(Cohen's κ = 0.975)。共使用8种在ImageNet上预训练的架构(ResNet18、ResNet50、ResNet101、DenseNet121、EfficientNet-B0、ConvNeXt-Tiny、ViT-B/16和Swin-T)进行微调,每种架构使用三个随机种子。模型在内部整理的数据集{MIDAS}上进行训练、验证和测试,随后在两个仅用于外部验证的独立外部数据集上进行评估。评估内容包括诊断性能、计算效率、统计学显著性和模型可解释性。为调查外部性能下降的原因,外部数据集中标记为癌症的图像经过事后专家病理学审查以检查是否存在标签分歧。共114例患者的10,817张H&E染色图像切片被分类为OSCC或正常/对照。所有图像由两名口腔病理学家独立审核,存在分歧的病例由高级病理学家裁定(Cohen's κ = 0.975)。共使用8种在ImageNet上预训练的架构(ResNet18、ResNet50、ResNet101、DenseNet121、EfficientNet-B0、ConvNeXt-Tiny、ViT-B/16和Swin-T)进行微调,每种架构使用三个随机种子。模型在患者级别的内部测试集和两个独立的外部数据集上进行评估。评估内容包括诊断性能、计算效率、统计学差异和可解释性。外部数据集2中标记为癌症的图像经过事后重新评估以检查是否存在标签分歧。ConvNeXt-Tiny表现出最强的整体性能。各模型在外部评估中性能大幅下降,凸显了域偏移和标签质量的影响,强调了专家标注、独立验证、可复现的基准测试和多机构数据集对临床转化的重要性。
口腔鳞状细胞癌(OSCC)是最常见的口腔恶性肿瘤,诊断延迟是预后不良的重要因素。深度学习在OSCC的病理学检测中展现出潜力,但已报告的性能通常基于单一来源的数据集,外部验证有限且标注质量参差不齐。本研究旨在比较代表性的卷积神经网络(CNN)和Transformer架构在OSCC病理学分类中的表现,并评估其在外域偏移下的泛化能力。共114例患者的10,817张H&E染色图像切片被分类为OSCC或正常/对照。所有图像由两名口腔病理学家独立审核,存在分歧的病例由高级病理学家裁定(Cohen's κ = 0.975)。共使用8种在ImageNet上预训练的架构(ResNet18、ResNet50、ResNet101、DenseNet121、EfficientNet-B0、ConvNeXt-Tiny、ViT-B/16和Swin-T)进行微调,每种架构使用三个随机种子。模型在患者级别的内部测试集和两个独立的外部数据集上进行评估。评估内容包括诊断性能、计算效率、统计学差异和可解释性。外部数据集2中标记为癌症的图像经过事后重新评估以检查标签分歧。ConvNeXt-Tiny表现出最强的整体性能。各模型在外部评估中性能大幅下降,凸显了域偏移和标签质量的影响,强调了专家标注、独立验证、可复现的基准测试和多机构数据集对临床转化的重要性。