肺癌组织病理学图像分类使用转移学习与卷积神经网络模型

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 医疗图像分析 医学图像分析

背景情况:

• 肺癌 (LC) 是一个严重的健康威胁,需要早期检测才能有效治疗.
• 准确的组织学分类对于确定适当的LC管理策略至关重要.
• 深度学习 (DL) 提供了在LC诊断中分析复杂的组织病理图像的潜力.

研究的目的:

• 实施预训练的EfficientNetB7模型来对肺癌组织病理学图像进行分类.
• 将LC分为主要恶性瘤类型:腺癌,状细胞癌和大细胞癌.
• 用准确度作为主要指标来评估分类性能.

主要方法:

• 利用了15,000张肺癌组织病理学图像的数据集.
• 雇佣了EfficientNetB7,一个在ImageNet上预训练的卷积神经网络 (CNN),用于转移学习.
• 在LC数据集上训练了EfficientNetB7模型并评估了其性能.

主要成果:

• EfficientNetB7模型在分类LC组织病理图像方面实现了99.77%的高精度.
• 这一性能超过或与之前研究报告的准确度水平相匹配 (90-99%).
• 使用EfficientNetB7进行转移学习,有效地提取了相关特征以进行准确的分类.

结论:

• 基于CNN的EfficientNetB7模型加速了从组织病理图像的肺癌诊断.
• 这种人工智能工具可以减轻病理学家的工作量,促进早期的患者治疗.
• 自动分类LC助力及时和精确的治疗干预.