Forscher haben ein Deep‑Learning‑System vorgestellt, das die Klassifikation von Zervix‑Zytologie‑Bildern mit einer Genauigkeit von 99,06 % auf dem 5‑Klassen‑Datensatz SIPaKMeD und 98,55 % auf dem Mendeley‑LBC‑Datensatz erreicht. Die Ergebnisse wurden in einer Fachpublikation des Journals PLOS ONE veröffentlicht.
Innovative Architektur
Das vorgestellte System kombiniert drei zentrale Bausteine: eine auf Zytopathologie abgestimmte Daten‑Augmentierung, ein Morphology Attention Module (MAM), das mehrskalige zelluläre Merkmale adaptiv fusioniert, sowie einen Spatial‑Channel Mixer (SCM), der die räumliche Nachbarschaft von Zellkernen effizient kodiert.
Leistungsbewertung
Umfangreiche Experimente auf den Datensätzen SIPaKMeD und Mendeley LBC belegen die überlegene Performance des Modells. Auf dem SIPaKMeD‑Datensatz wurde eine Klassifikationsgenauigkeit von 99,06 % erzielt, während auf dem Mendeley‑LBC‑Datensatz eine Genauigkeit von 98,55 % erreicht wurde.
Vergleich mit bestehenden Verfahren
Im Vergleich zu herkömmlichen Convolutional‑Neural‑Network‑Architekturen reduziert das neue Modell die Fehlerrate um bis zu 82,5 %. Gegenüber aktuellen Vision‑Transformer‑Ansätzen liegt die Fehlerratenreduktion bei 61,8 %.
Anwendungsrelevanz
Die robuste Generalisierung über verschiedene Zelltypen und Bildgebungsbedingungen hinweg macht das System zu einem vielversprechenden Werkzeug für zervikale Krebs‑Screening‑Programme. Besonders in Regionen mit begrenztem Zugang zu erfahrenen Zytopathologen könnte die Automatisierung die Früherkennung verbessern.
Ausblick
Die Autoren betonen, dass die vorgestellte Architektur weiter optimiert und auf weitere zytologische Anwendungsgebiete übertragen werden kann. Zukünftige Studien sollen die Integration in klinische Workflows sowie die Bewertung in realen Screening‑Umgebungen untersuchen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Ăśbertragung