IDCを全スライド画像で識別するための深層学習による効果的なSMOTE増強

科学分野:

• 腫瘍学
• コンピューター病理学
• 医療における人工知能

背景:

• 乳がんは癌による死亡の主な原因であり,早期発見の進歩が必要である.
• 精密な乳がんの分類は,特に核性異常は,スライドの準備の変動性と複雑な組織形態によって困難です.
• コンピューター支援の検知と診断は,正確な予測と対応した治療戦略を通じて患者の治療結果を改善する可能性を秘めています.

研究 の 目的:

• 乳がんの組織病理学画像から特性を抽出するための ディープラーニングの有効性を調査する.
• 全スライド画像で侵入性管道癌 (IDC) を検出するための新しいSMOTEベースのコンボリューションニューラルネットワーク (CNN) を導入し,評価する.
• 既定のCNNアーキテクチャに対する提案されたモデルのパフォーマンスを比較する.

主な方法:

• SMOTEベースのコンボリューションニューラルネットワーク (SMO_CNN) モデルの開発.
• 訓練 (113 画像) と検査 (49 画像) セットに分割された 162 個の侵入性管道がん (IDC) 患者サンプルを含むデータセットを使用しました.
• CNN,VGG19,ResNet50,提案されたSMO_CNNを含む各モデルの個々のテスト.

主要な成果:

• 開発されたSMO_CNNモデルは,テストで98.95%,トレーニングデータセットで99.20%の高い精度を達成しました.
• SMO_CNNモデルは,IDCの影響を受けた組織領域を検出する上で標準的なCNN,VGG19,ResNet50モデルを上回った.
• モデルが悪性組織を 正確に特定する能力を示した.

結論:

• 提案されたSMO_CNNモデルは,組織病理学画像における侵入性管道がん (IDC) の検出に優れた性能を示しています.
• このディープラーニングアプローチは 乳がん診断の正確性と効率性を高める 有望なツールです
• この発見は,乳がん治療計画と患者管理を改善する大きな可能性を示唆しています.