在机器学习的帮助下进行宫癌前查的极度成像:ex vivo研究

科学领域:

• 光学成像技术的使用.
• 生物医学工程 生物医学工程
• 机器学习在医疗保健中的应用.

背景情况:

• 广场成像 穆勒极度测量提供非接触式体内成像,用于早期疾病检测.
• 机器学习在图像分类和回归任务中表现出色.
• 宫内皮质瘤需要可靠,快速的诊断方法,特别是在资源较少的环境中.

研究的目的:

• 为了自动化和协助诊断分离子宫样本的极度图像.
• 结合穆勒极度测量和机器学习,以改善宫组织分析.
• 批判性地评估数据/分类管道,并调查培训策略中的偏见.

主要方法:

• 开发一个全面的捕获到分类管道,使用成像穆勒极度测量.
• 获得和宫样本的组织病理学分类.
• 训练和比较各种机器学习模型使用不同的训练-测试-集-分割策略,包括离开-一个-输出交叉验证.

主要成果:

• 强大的模型性能测量使用90:10训练-测试-集-分割和离开一个-out交叉验证.
• 证明与基本事实相比,传统的混合分割高估了分类器的性能.
• 交叉验证 (leave-one-out) 为未见样本提供了更准确的性能估计.

结论:

• 穆勒极度测量和机器学习的结合是癌前查子宫状况的强大工具.
• 传统的培训过程表现出固有的偏见,可以通过保守的分类器培训方法来减轻这种偏见.
• 通过优化训练策略,可以提高对未见图像的灵敏度和特异性.