在不平衡的基因病理学数据集中进行核细分和分类的新型成本函数.
Luke Johnston1, Zhangsheng Yu2
1Department of Mathematical Sciences, Shanghai Jiao Tong University, Shanghai 200240, China.
概括
新型卷积神经网络SPNet在组织病理学中提高了21.8%的罕见细胞检测. 这种人工智能模型提高了癌症诊断的准确性,并有助于早期癌症检测,可能降低死亡率.
科学领域:
- 医学成像医学成像
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 组织病理学分析对于癌症诊断,分期和治疗计划至关重要.
- 在不平衡的数据集中检测和分类罕见细胞在癌症诊断中构成了重大挑战.
- 早期癌症检测对于降低死亡率和改善患者生活质量至关重要.
研究的目的:
- 开发和评估SPNet,一个空间意识的卷积神经网络,以改进在组织病理图像中的罕见细胞的检测和分类.
- 通过使用一种新的空间数据平衡技术,解决癌症病理学中不平衡数据集的挑战.
- 为了提高癌症诊断的准确性和简化诊断过程.
主要方法:
- 开发SPNet,一个具有空间意识的卷积神经网络,结合了针对空间区域的新型成本函数.
- 实施空间数据平衡技术,以解决不平衡的数据集.
- 将SPNet与ResNet50-SE编码器集成并对CoNSeP数据集进行评估.
主要成果:
- 通过空间数据平衡,SPNet将稀有核的分类提高了21.8%.
- 由于SPNet的新成本函数,CoNSeP数据集中的罕见细胞类型的F1分类增加了1.9%.
- 与ResNet50-SE集成,与HoVer-Net相比,将所有核分类的平均F1得分提高了4.3%.
结论:
- SPNet有效地解决了在不平衡的基因病理数据集中对罕见细胞进行分类的挑战.
- 该模型在罕见细胞分类和整体细胞核分类方面的准确性显著提高.
- 通过将SPNet集成到医疗设备中,可以简化诊断,尽量减少假阴性,从而改善患者的治疗结果.
