基于深度学习的瘤光动力疗法的有效评估
Shuangshuang Lv1, Xiaohui Wang1, Guisheng Wang2
1College of Electronic Engineering, Beijing University of Posts and Telecommunications, Xitucheng Road. Haidian Dist, Beijing 100876, China.
Photodiagnosis and photodynamic therapy
|June 20, 2023
概括
这项研究介绍了一种使用YOLOv3的AI驱动方法,用于在光动力学疗法 (PDT) 后准确计算活细胞和死细胞. 这种方法为评估PDT有效性的传统手动细胞计数提供了更快,更可靠的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 癌症研究 癌症研究
背景情况:
- 光动力疗法 (PDT) 是一种非侵入性瘤治疗方法,利用光敏剂和激光照射产生活性氧物种,导致瘤细胞死亡.
- 目前评估PDT疗效的方法依赖于手动活/死细胞计数,这是劳动密集型,耗时,易受染料质量变化的影响.
研究的目的:
- 开发和验证一种自动化方法来量化PDT治疗后的活细胞和死细胞.
- 建立一种更有效,更客观的方法来评估光动力疗法的有效性.
主要方法:
- 建立一个专门的数据集,用于接受PDT治疗的细胞.
- 培训和实施YOLOv3 (你只看一次版本3) 实时AI对象检测算法用于细胞计数.
- 使用活细胞和死细胞检测的平均平均精度 (mAP) 的性能评估.
主要成果:
- YOLOv3模型在细胞检测方面取得了高精度,活细胞的平均精度 (mAP) 为94%,死细胞的平均精度为71.3%.
- 由人工智能驱动的方法证明了PDT后细胞活力的高效和准确量化.
结论:
- 开发的基于人工智能的细胞计数方法为PDT疗效评估提供了相对于传统手动计数技术的显著改进.
- 这种自动化方法加快了PDT治疗方法的评估,从而促进了新型癌症疗法的更快发展.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K