针对口腔状细胞癌的早期诊断,对组织病理图像的多方法分析,使用深度学习和混合技术

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 口腔癌,特别是口腔状细胞癌 (OSCC),是一个重要的全球健康问题,死亡率高.
• 目前的诊断方法,如组织病理学是耗时的,需要专家的解释,突出需要更快,更容易使用的诊断工具.
• 早期发现OSCC对于有效治疗,降低发病率和改善患者存活率至关重要.

研究的目的:

• 开发和评估混合人工智能 (AI) 方法,用于早期和准确诊断OS状细胞癌 (OSCC).
• 利用人工智能,特别是深度学习和机器学习算法,帮助临床医生,减少病理学家的负担.
• 调查来自各种AI模型的融合特征的有效性,以提高OSCC分类.

主要方法:

• 采用了三种人工智能策略:使用Xception和DenseNet201等模型进行转移学习,使用支持矢量机 (SVM) 分类进行卷积神经网络 (CNN) 功能提取,以及混合功能融合技术.
• 混合方法涉及使用CNN提取深度特征,通过主要组件分析 (PCA) 减少维度,并将这些与形状,颜色和纹理特征 (GLCM,HOG,LBP) 融合在一起.
• 使用准确度,精度,灵敏度,特异性,F-1分数和AUC等指标评估分类性能,SVM作为最终分类器.

主要成果:

• 混合功能融合策略,特别是使用DenseNet201结合GLCM,HOG和LBP功能输入到SVM分类器,显示出显著的诊断性能.
• 这种特定的模型实现了高精度 (97.00%),精度 (96.77%),灵敏度 (90.90%),特异性 (98.92%),F-1评分 (93.74%) 和AUC (96.80%).
• 拟议的AI系统显示了从组织图像中快速诊断OSCC的有希望的结果.

结论:

• 混合人工智能方法将深度学习功能与传统图像分析技术相结合,为OSCC的早期诊断提供了一种强大的方法.
• 开发的系统可以显著帮助临床医生快速诊断OSCC,潜在地改善患者的治疗结果和生存率.
• 从先进的CNN模型 (如DenseNet201) 的特征与纹理,形状和颜色描述符的融合提供了强大的分类性能.