ZUSAMMENFASSUNG Nierenzellkarzinom ist die Hauptursache für krebsbedingte Sterblichkeit, was die Bedeutung der Früherkennung und genauen Diagnose unterstreicht. Manuelle Methoden zur Klassifikation histopathologischer Bilder weisen Einschränkungen wie Arbeitsaufwand, Zeitverbrauch und Interpathologen-Variationen auf, die insbesondere in frühen Stadien zu Fehldiagnosen führen können. Eine autonome Lösung basierend auf Deep Learning ist entscheidend, um diese Beschränkungen zu überwinden. Allerdings erfordern visuelle Modelle erhebliche Verarbeitungskapazitäten und Datensätze, was für einfache Infrastrukturen Schwierigkeiten mit sich bringt. In dieser Studie beschreiben wir einen Ansatz zur Analyse histopathologischer Bilder unter Verwendung eines leichtgewichtigen, gekürzten Fused‐MirrorNet-Modells. Durch dessen spiegelbildliche Architektur nutzen wir partielle Schicht-Einfrierungen und Merkmalsfusionstechniken zur Leistungssteigerung. Bei der Analyse von Nierengeschwulst-histopathologischen Bildern übertrifft unsere vorgeschlagene Strategie bestehende CNN- und Vision-Transformer-Modelle in der Klassifikation histopathologischer Bilder. Wir konnten die Trainingszeit deutlich reduzieren, während die Klassifikationsgenauigkeit erhalten blieb. Das vorgeschlagene Modell ist einsetzbar, skalierbar und reproduzierbar, was seine Verwendung auf Low-End-Geräten ermöglicht. Unsere Strategie erleichtert zudem die Erstellung visueller Deep-Learning-Modelle, indem sie die Notwendigkeit komplexer computergestützter Methoden und Verfahren eliminiert. Das vorgeschlagene Modell und Vergleichsmodelle wurden mit histopathologischen Bildern aus zwei Datensätzen trainiert und evaluiert. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell (Fused‐MirrorNet) die Leistung von State-of-the-Art-Modellen zur Klassifikation histopathologischer Bilder übertrifft. Das Modell erreicht eine Genauigkeit von 92,60% bzw. 90,00% in den TCGA-Nieren- und BreakHis-Datensätzen. Diese Ergebnisse deuten darauf hin, dass die zur Entwicklung des vorgeschlagenen Modells durchgeführte Forschung günstige Resultate erzielte.
Chanchal et al. (Mi,) untersuchten diese Fragestellung.