10 статей
Исследование сравнивает эффективность девяти архитектур глубокого обучения (CNN и трансформеров) в диагностике рака молочной железы на датасете BreaKHis. Авторы внедряют строгий протокол кросс-валидации с учетом разделения по пациентам, чтобы исключить утечку данных, и приходят к выводу, что при правильной методологии различия в архитектурах моделей становятся незначительными.
В статье описывается инновационный подход к внедрению федеративного обучения (Federated Learning) для задач цифровой гистопатологии в масштабах всей Германии. Исследование решает критическую проблему конфиденциальности данных, позволяя обучать высокоточные модели машинного обучения непосредственно в защищенных контурах медицинских учреждений без необходимости передачи чувствительных изображений тканей за пределы их локальных брандмауэров. Методология базируется на распределенной архитектуре, где только обновленные веса нейросетей, а не сами биомедицинские данные, передаются на центральный сервер для агрегации. Ключевым результатом является успешная демонстрация возможности создания мощных диагностических инструментов, способных работать с гетерогенными данными из различных клиник, сохраняя при этом полный комплаенс с требованиями защиты данных. Данная технология имеет колоссальное значение для развития прецизионной онкологии и стандартизации ИИ-диагностики в масштабах страны, преодолевая барьеры изоляции медицинских данных.
Разработана кастомная сверточная нейронная сеть (CNN) для классификации гистопатологических изображений яичников на здоровые и раковые ткани. Модель достигла точности 96,69%, превосходя стандартные методы машинного обучения и популярные архитектуры вроде ResNet50 при интеграции данных биомаркера CA-125.
В статье представлен оптимизированный вариант сетей Omni-Dimensional Dynamic Convolution (ODConv) для анализа гистопатологических изображений. Метод позволяет более гибко извлекать признаки из тканей с высокой морфологической гетерогенностью, демонстрируя высокую эффективность в диагностике нейродегенеративных и метаболических заболеваний скелетных мышц.
Исследование представляет модель на базе VGG16, которая использует признаки симметрии тканей для раннего выявления аденокарциномы толстой кишки. Авторы интегрировали методы XAI (Grad-CAM, SHAP, LIME) для устранения проблемы «черного ящика» и достигли точности 99,85% на наборе из 10 000 гистопатологических снимков.
В исследовании представлена новая архитектура CBA-TransNet, объединяющая ResNet50 и Vision Transformer (ViT) для диагностики рака полости рта. Использование механизма внимания CBAM позволило достичь точности классификации 98,97%, эффективно сочетая извлечение локальных и глобальных признаков на гистопатологических снимках.
Разработан мультимодальный ИИ-фреймворк, объединяющий гистопатологические изображения и клинические данные для диагностики рака эндометрия. Модель демонстрирует высокую точность (AUC 0.95), обеспечивая при этом интерпретируемость результатов и защиту конфиденциальности данных пациентов.
Исследование сравнивает две модели глубокого обучения (Swin Transformer V2 и ConvNeXt V2) для классификации доброкачественных и злокачественных образований молочной железы по гистопатологическим изображениям. Swin Transformer V2 показал лучшую точность (0.985), превосходя современные CNN в распознавании морфологических особенностей тканей. Результаты подтверждают преимущества трансформерных архитектур для систем компьютерной диагностики в цифровой патологии.
В статье представлен новый фреймворк STpath, который решает проблему интерпретируемости вложений гистопатологических изображений, создаваемых ИИ-моделями. Гистопатологические модели-фундаменты кодируют изображения тканей в числовые представления, однако эти вложения не имеют прямого биологического смысла для клинического применения. STpath использует модели XGBoost, специфичные для различных типов рака, обученные на данных пространственно разрешённой транскриптомики, для предсказания состава клеточных типов и экспрессии генов на основе гистопатологических изображений. Исследователи протестировали фреймворк на наборах данных по колоректальному и раку молочной железы, показав точные оценки состава основных клеточных типов и экспрессии подмножества генов. Комбинирование вложений от нескольких моделей-фундаментов дало дополнительные приросты производительности. Авторы продемонстрировали, что признаки, полученные с помощью STpath, могут использоваться в последующих исследованиях для оценки их ассоциаций с клиническими исходами. Работа открывает путь к практическому применению ИИ в гистопатологии для онкологической диагностики и исследований.
Статья представляет модель Athena — фундаментальную модель для гистопатологии, обученную на 115 миллионах патчей тканей из 282 тысяч слайдов. Исследование показывает, что разнообразие данных важнее их объема: модель достигает state-of-the-art результатов на задачах молекулярной и морфологической классификации, превосходя модели, обученные на значительно больших наборах данных.
