基于组织阻抗特征和机器学习的早期乳腺癌检测和差异化工具

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 早期发现乳腺癌仍然是传统查方法的挑战.
• 电阻测量可以在显现之前识别组织异常.
• 深度学习有可能提高医疗应用中的诊断准确性.

研究的目的:

• 利用电阻数据和深度学习开发乳腺癌查工具.
• 改善早期检测和分化癌症乳腺组织.
• 评估深度学习算法对乳腺组织分类的准确性.

主要方法:

• 利用了来自各种乳腺组织的电阻特征数据.
• 开发和训练了一个深度学习 (DL) 算法,特别是长短期记忆 (LSTM),用于分类.
• 根据阻抗数据分类了六种不同的乳腺癌类别.

主要成果:

• 在其他方法没有检测到异常的情况下,DL工具准确地预测了乳腺癌.
• 基于LSTM的方法实现了96.67%的分类准确度.
• 开发的方法提高了检测和区分早期癌症组织的能力.

结论:

• 开发的深度学习算法和方法有效地使用电阻来增强乳腺组织的分类.
• 这种方法对早期乳腺癌检测和差异化有希望.
• 需要进一步收集数据和进行临床前研究,以提高工具的准确性和验证.