深度紫外光图像的深度学习分类,以评估乳腺癌的手术内边缘
Tyrell To1, Tongtong Lu2, Julie M Jorns3
1Department of Electrical and Computer Engineering, Marquette University, Opus College of Engineering, Milwaukee, WI, United States.
Frontiers in oncology
|July 3, 2023
概括
这项研究引入了一种使用深紫外线 (DUV) 光成像的自动乳腺癌分类方法. 该方法在手术期间识别恶性组织时达到95%的准确性和100%的灵敏性,改进了标准的深度学习技术.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 手术病理学手术病理学
背景情况:
- 乳腺保护手术需要准确的边际评估,以平衡癌症的去除和健康组织的保存.
- 深紫外线 (DUV) 光扫描显微镜提供了快速的全表面成像 (WSI),在恶性和正常组织之间具有良好的对比度.
- 使用DUV图像进行手术内边缘评估需要自动化乳腺癌分类方法.
研究的目的:
- 开发和评估一种自动化乳腺癌分类方法,用于使用DUV-WSI进行手术内边缘评估.
- 为了应对由于有限的DUV图像数据集而导致深度学习模型过拟合的挑战.
主要方法:
- 这是一种混合方法,它结合了使用预训练的卷积神经网络 (CNN) 来从DUV-WSI补丁中提取特征,并使用梯度增强树进行分类.
- 合并学习将补丁级分类和区域重要性合并为确定保证金状态.
- 利用可解释的人工智能 (XAI) 来计算区域重要性值,以提高可解释性.
主要成果:
- 拟议的方法在分类DUV-WSI时实现了95%的准确性和100%的灵敏性.
- 该方法在准确地定位恶性和正常/良性组织区域方面表现出高的能力.
- 该方法在DUV乳腺外科手术样本上成功超越了标准的深度学习分类方法.
结论:
- 开发的自动化分类方法显示了在乳腺癌手术中改善手术内边缘评估的巨大潜力.
- 该技术有效地识别癌症区域,帮助外科医生在保持健康组织的同时实现完全切除瘤.
- 这种方法提供了一个有前途的工具,以提高分类性能和诊断准确性在外科设置.
