多对比口袋显微镜子宫癌诊断算法用于推人群的诊断算法

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:

• 宫癌导致严重的死亡率,特别是在资源较低的环境中.
• 训练有素的专业人员的短缺和诊断的多变性阻碍了早期检测.
• 自动分类算法可以解决这些挑战.

研究的目的:

• 开发和评估深度学习模型来分类高等级的宫前癌和癌症.
• 为了提高分类性能,使用等级平衡损失和绿光镜图像来提高分类性能.
• 改善在资源有限的地区早期检测宫病变.

主要方法:

• 利用了来自880名患者访问的宫图像数据集.
• 优化了深度学习网络架构,并纳入了加权损失函数.
• 探索了绿光镜图像对的集成,以提高模型灵敏度.

主要成果:

• 实现了0.87.87.的接收机-操作员特征曲线下的面积.
• 报告了75%的灵敏度和88%的特异性.
• 类平衡损失和绿光成像提高了灵敏度的2.5倍.

结论:

• 开发的方法提高了宫癌前期和癌症检测的分类性能.
• 这种方法可以与现有的查方法 (如巴氏涂抹或HPV检测) 相结合.
• 扩大了早期检测的机会,有可能减少宫癌死亡率.