一个基于多层感知子的模型应用于肺腺癌亚型的组织病理图像分类

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 肺癌,特别是腺癌,是全球癌症死亡的主要原因.
• 病理诊断是黄金标准,但由于图像复杂性和病理学家短缺而面临挑战.
• 对组织病理学图像的准确和自动分析对于及时检测肺癌至关重要.

研究的目的:

• 开发和验证一种自动化模型,用于检测在组织病理学图像中的肺腺癌透.
• 通过整合全球和本地图像信息来提高AI模型的分类性能.
• 解决肺癌检测的诊断挑战,特别是在资源有限的环境中.

主要方法:

• 一个新的多层感知器 (MLP) 模型,称为MLP IN MLP (MIM),被提出用于分析肺癌组织病理图像.
• MIM使用双数据流输入来有效地结合全球和本地图像特征.
• 一个数据集的780个肺癌组织病理图像被策划训练和测试MIM模型.

主要成果:

• 在检测肺腺癌透时,MIM模型实现了95.31%的高诊断准确度.
• 性能指标包括精度 (95.31%),灵敏度 (93.09%),特异性 (93.10%) 和F1评分 (96.43%).
• 与常见的网络模型相比,MIM表现出卓越的性能,并在扩展实验中显示出出色的可扩展性和稳定性.

结论:

• 在肺癌检测方面,MIM模型具有很高的分类性能.
• 拟议的模型显示出有很大的潜力,可以帮助病理学家诊断肺腺癌.
• 使用MIM对组织病理学图像的自动分析可以提高肺癌护理的诊断效率和准确性.