通过病理学家的专业知识改善CNN的分类:细胞癌病例研究

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 人工智能的人工智能

背景情况:

• 准确的细胞癌 (RCC) 亚型确定对于患者的预后和治疗决策至关重要.
• 目前用于RCC亚型的组织样片分析是耗时的,主观的,需要专家病理学家.
• 需要自动化分类方法来提高RCC亚型的效率和准确性.

研究的目的:

• 研究深度学习方法的有效性,用于自动RCC亚型化.
• 开发和评估一种新的混合分类模型 (ExpertDeepTree),结合深度学习和病理学家的专业知识.
• 为了比较混合模型的性能与RCC亚型的传统深度学习方法.

主要方法:

• 利用深度学习,特别是卷积神经网络 (CNN),用于RCC亚型的自动分类.
• 开发了ExpertDeepTree (ExpertDT),一种混合模型,将监督CNN与病理学家专业知识相结合.
• 分类的91名患者样本被诊断为清晰细胞RCC,乳头RCC,染色体RCC或瘤.

主要成果:

• 标准CNN在不同RCC亚型中表现出可变的性能.
• 与传统的CNN相比,建议的ExpertDT模型在RCC亚型化方面取得了更高的性能.
• 专家DT的有效性凸显了将专家知识整合到复杂分类任务的深度学习模型中的价值.

结论:

• 深度学习对自动化RCC子类型有希望,但性能可以得到改进.
• 一种混合方法,ExpertDT,有效地结合了人工智能和人类专业知识,以加强RCC分类.
• 将专家知识纳入人工智能模型为改善复杂病理病例的诊断准确性提供了有价值的策略.