使用深度学习神经网络在输出细胞学材料中识别恶性细胞
Parikshit Sanyal1, Pranab Dey2
1Department of Laboratory Medicine, Command Hospital Chandimandir, Chandimandir, India.
概括
一个深层卷积神经网络 (DCNN) 显示了在输出细胞学样本中检测恶性细胞的前景. 这种人工智能方法提供了快速,公正的分析,有可能提高癌症诊断的准确性.
科学领域:
- 细胞病理学 细胞病理学
- 人工智能在医学中的应用
- 机器学习用于诊断.
背景情况:
- 液样本的细胞学检查对于诊断恶性瘤至关重要.
- 准确有效地检测恶性细胞可能是一个挑战.
- 人工神经网络为诊断中的自动图像分析提供了潜力.
研究的目的:
- 评估深层卷积神经网络 (DCNN) 的有效性,用于在输出细胞学中识别恶性细胞.
- 评估DCNN模型在区分良性和恶性溢液样本方面的诊断性能.
主要方法:
- 一项回顾性研究分析了90例输液细胞学病例 (52例恶性,38例良性).
- 使用DCNN模型分析了492张涂有帕帕尼科拉图的图像.
- DCNN模型经过了15个时代的训练,包括783个层.
主要成果:
- 该DCNN实现了88%的灵敏度,96%的特异性和96%的积极预测值.
- 该模型正确地识别了测试组中的54/56良性和49/56恶性图像.
- 接收器操作曲线下的面积为0.92,表明了强大的诊断性能.
结论:
- 深层卷积神经网络 (DCNNs) 可以有效地检测细胞学图像中的恶性细胞.
- 该DCNN模型提供快速,公正的细胞选择和特征提取.
- 这种DCNN模型显示出显著的潜力,可以影响细胞学中恶性瘤的诊断.


