在病理学中的机器学习
Matthew Nicholas Basso1, Moumita Barua2,3,4,5, Julien Meyer6
1Image Analysis in Medicine Lab (IAMLAB), Department of Electrical, Computer, and Biomedical Engineering, Ryerson University, Toronto, ON, Canada.
Frontiers in nephrology
|September 7, 2023
概括
计算病理学模型显示出通过活检诊断脏疾病的前景. 机器学习和深度学习方法取得了显著的准确性,可能提高病理评估的效率.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 脏病理学 脏病理学
背景情况:
- 传统的活检评估方法 (光显微镜,免疫光,电子显微镜) 是耗时的,昂贵的,容易变化.
- 计算方法为查和诊断提供了潜在的解决方案,旨在减少病理学家的工作量并确定新的生物标志物.
研究的目的:
- 评估生物标志物特征提取 (BFE) 模型和三种深度学习模型 (VGG16,VGG19,InceptionV3) 的诊断性能,用于仅使用PAS染色数字病理图像诊断淋巴细胞疾病.
主要方法:
- BFE模型提取了233个特征,并将其减少到10个形态和纹理特征,用于使用线性差异分析进行分类.
- 三个预训练的深度学习模型 (VGG16,VGG19,InceptionV3) 被应用于数字病理图像.
- 数据增强和Grad-CAM被用于深度学习模型,以提高性能和可解释性.
- 这项研究包括从最小变化疾病,膜性脏病和薄底膜脏病中进行的45次脏活检 (371个质细胞).
主要成果:
- 该BFE模型实现了球体检测准确率为76.8%.
- 深度学习模型显示了更高的验证准确性,VGG16达到78.5%.
- 最高的测试准确度是VGG16在质水平 (71.9%) 和InceptionV3在患者水平 (73.3%).
结论:
- 传统的机器学习 (BFE) 和深度学习方法都显示出有助于脏活检评估的潜力.
- 这些计算方法可以为球细胞疾病提供高效和准确的诊断工具.
关键词:
计算病理学计算病理学深度学习是一种深度学习.数字图像分析分析数字图像分析这是一种质球体.机器学习是机器学习.膜性脏病是一种膜性脏病.疾病变化最小的疾病变化.薄底层膜神经病变 - 薄底层膜神经病变更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
