机构名称：
¥ 1.0
糖尿病性肾病（DN）是美国终末期肾脏疾病（ESRD）的主要原因。dn是根据肾小球形态分级的，在肾脏活检中具有空间异质表现，使病理学家对疾病进展的预测变得复杂。病理学的人工智能和深度学习方法已显示出对定量病理评估和临床轨迹估计的有望。但是，他们通常无法捕获大规模的空间解剖结构，并且在整个幻灯片图像（WSIS）中发现的关系。在这项研究中，我们提出了一个基于变压器的多阶段ESRD预测框架，建立在非线性维度降低，每对可强化的肾小球之间的相对欧几西亚像素距离嵌入以及相应的空间自我自我性别机制之间用于可靠的上下文。，我们开发了一个深层变压器网络，用于编码WSI并使用来自首尔国立大学医院DN患者的56个肾脏活检WSI的数据集进行编码并预测未来的ESRD。Using a leave-one-out cross-validation scheme, our modified transformer framework outperformed RNNs, XGBoost, and logistic regression baseline models, and resulted in an area under the receiver operating characteristic curve (AUC) of 0.97 (95% CI: 0.90-1.00) for predicting two-year ESRD, compared with an AUC of 0.86 (95% CI: 0.66-0.99)没有我们的相对距离嵌入，而AUC为0.76（95％CI：0.59-0.92），而无需降解自动编码器模块。关键词：糖尿病性肾病，变压器，自我注意，终末期肾脏疾病，数字病理，分割，虽然样本量较小的可变性和概括性既有挑战性，但我们基于距离的嵌入方法和过度拟合的缓解技术产生了结果，这表明使用有限的病理数据集为未来的空间意识到WSI研究的机会。
SPIE的会议录
主要关键词
相关文件推荐
