توسعه مدل های یادگیری عمیق برای تفکیک دقیق ضایعات خوش خیم از بدخیم در تصاویر پاتولوژی دیجیتال (WSI)

هدف از این پژوهش، توسعه و ارزیابی یک مدل ترکیبی مبتنی بر پردازش تصویر و یادگیری عمیق برای تفکیک دقیق ضایعات خوش خیم از بدخیم در تصاویر پاتولوژی دیجیتال بود، با تاکید ویژه بر کاهش خطای دیداری پاتولوژیست در نمونه های مشکوک و بهبود تشخیص تومورهای با درجه پایین. در این مطالعه، مجموعه ای از تصاویر کامل اسلایدی با برچسب های قطعی خوش خیم، بدخیم و موارد مرزی مورد استفاده قرار گرفت و پس از اجرای مراحل پیش پردازش شامل حذف پس زمینه، نرمال سازی رنگ، تقویت کنتراست و استخراج نواحی بافتی معنادار، یک مدل یادگیری عمیق چندمرحله ای برای طبقه بندی ضایعات آموزش داده شد. ارزیابی سامانه نشان داد که مدل پیشنهادی در تفکیک کلی ضایعات به دقت بالایی دست یافته و در مقایسه با مدل پایه، بهبود چشمگیری در حساسیت و ویژگی به ویژه در تشخیص تومورهای با درجه پایین ایجاد کرده است. نتایج همچنین نشان داد که مرحله پردازش تصویر نقش اساسی در تقویت سیگنال تشخیصی، کاهش اثر نویزهای غیرمرتبط و افزایش تمرکز مدل بر نواحی واجد ارزش آسیب شناختی داشته است. نقشه های توجه مدل در بخش عمده ای از نمونه ها با نواحی تصمیم ساز پاتولوژیک هم راستا بودند و این موضوع، تفسیرپذیری و قابلیت کاربرد بالینی سامانه را تقویت کرد. تحلیل خطاها نشان داد که اگرچه مدل در برخی الگوهای هم پوشان مانند التهاب شدید یا آتیپی واکنشی همچنان با محدودیت هایی مواجه است، اما در مجموع توانسته است نرخ مثبت و منفی کاذب را نسبت به رویکردهای ساده تر کاهش دهد. جمع بندی نتایج بیانگر آن است که تلفیق هدفمند پردازش تصویر و یادگیری عمیق، راهکاری موثر برای افزایش دقت تشخیص، کاهش خطای دیداری و ارتقای تصمیم گیری در پاتولوژی دیجیتال است و می تواند به عنوان یک ابزار کمک تشخیصی ارزشمند در ارزیابی ضایعات خوش خیم، بدخیم و به ویژه تومورهای کم درجه مورد استفاده قرار گیرد.

کلیدواژه ها:

پاتولوژی دیجیتال ، تصاویر کامل اسلایدی ، یادگیری عمیق ، تفکیک ضایعات خوش خیم و بدخیم ، تومورهای با درجه پایین ، کاهش خطای دیداری