基于内镜图像的胃密封环细胞癌的识别,使用少数镜头学习
Minyue Yin1, Rufa Zhang2, Jiaxi Lin1
1Department of Gastroenterology, the First Affiliated Hospital of Soochow University, Suzhou, Jiangsu, 215006, China; Suzhou Clinical Center of Digestive Diseases, Suzhou, Jiangsu, 215006, China.
概括
短暂学习 (FSL) 改善了对罕见的胃结点环细胞癌 (SRCC) 检测的深度学习. 一个双重预训练的FSL模型在从内镜图像中识别SRCC方面表现出卓越的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 深度学习 (DL) 模型与有限的胃结网环细胞癌 (SRCC) 样本作斗争.
- 短暂学习 (FSL) 为医学诊断中小样本规模的挑战提供了解决方案.
研究的目的:
- 开发和评估一种新型的几次射击学习 (FSL) 框架,以更好地识别胃结网环细胞癌 (SRCC).
- 利用有限的数据,提高DL模型的诊断性能,使SRCC与其他胃病区分开来.
主要方法:
- 使用EfficientNetV2-S,在ImageNet和食道图像上进行预训练,用于特征提取.
- 实施了三向三射FSL框架,包括胃良性,腺癌和SRCC (50个样本/类).
- 采用k-最近邻居分类器来识别SRCC,经过三轮实验验证.
主要成果:
- 双预训练的FSL模型实现了SRCC检测的最高准确度 (79.4%),灵敏度 (68.8%) 和F1得分 (0.691).
- 双预训练FSL的表现优于单个预训练模型,内镜和传统的EfficientNetV2-S,显示更高的宏观AUC (0.763) 和F1得分 (0.703).
- 一位高级内镜师在SRCC识别中表现出最高的特异性 (93.6%).
结论:
- 拟议的FSL框架证明了在内镜图像中区分SRCC的实际实用性.
- FSL在计算机辅助诊断罕见疾病 (如SRCC) 中具有显著的潜力.
