使用Wasserstein生成对抗网络扩展FTIR光谱数据集,用于癌症液体活检
Rose G McHardy1,2, Georgios Antoniou2, Justin J A Conn2
1Department of Pure and Applied Chemistry, Thomas Graham Building, 295 Cathedral Street, University of Strathclyde, Glasgow, G1 1XL, UK. david.palmer@dxcover.com.
The Analyst
|July 12, 2023
概括
瓦斯斯坦生成对抗网络 (WGAN) 通过增加有限的患者血清数据来增强癌症诊断的深度学习模型. 这种数据增强显著改善了卷积神经网络 (CNN) 的诊断性能.
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
- 频谱学是一种光谱学.
背景情况:
- 深度学习 (DL) 模型越来越多地用于癌症诊断,但需要大量的训练数据,这往往是稀缺和昂贵的.
- 数据增强技术可以人工扩展训练数据集,减轻过度匹配和改进DL模型概括.
- 减弱总反射率里埃变换红外光谱 (ATR-FTIR) 从生物样本中提供生物化学指纹,适合用于诊断分析.
研究的目的:
- 评估Wasserstein生成对抗网络 (WGANs) 的有效性,以增强数据,改善基于DL的癌症诊断.
- 为了比较WGAN增强数据与非生成增强方法和CNN模型的未增强数据的性能.
- 评估WGAN数据增强对使用ATR-FTIR光谱的胰腺癌和结直肠癌诊断准确性的影响.
主要方法:
- 利用了来自625名患者 (胰腺癌与非癌症) 干燥血清样本的ATR-FTIR光谱.
- 应用非生成数据增强和WGAN来扩展用于训练卷积神经网络 (CNN) 的光谱数据集.
- 在不同的增强策略中,比较了CNN的性能指标,包括接收器操作特征曲线 (AUC) 下的面积.
主要成果:
- 与非生成增强方法相比,WGAN增强的光谱显著提高了CNN的性能.
- 在胰腺癌检测中,WGAN增强使AUC从0.661增加到0.757 (15%的改善) 超过没有增强的模型.
- 在一个单独的结直肠癌数据集上,WGAN数据增强改善了AUC从0.905到0.955.
结论:
- WGAN是有效的数据增强工具,用于提高DL模型在癌症诊断中的性能,特别是在有限的数据集.
- 使用WGAN进行数据增强可以大大提高对ATR-FTIR光谱数据应用CNN的诊断准确性.
- 这些发现凸显了WGAN在开发各种癌症强大的AI驱动诊断工具方面克服数据限制的潜力.


