机器学习模型 ResNet50-Ensemble 通过计算机断层图像对恶性-良性小肺结节的分类进行投票
Weiming Li1,2, Siqi Yu1,2, Runhuang Yang1,2
1Department of Epidemiology and Health Statistics, School of Public Health, Capital Medical University, Beijing 100069, China.
Cancers
|November 25, 2023
概括
一个新的ResNet50-Ensemble投票模型在CT扫描上准确区分良性和恶性小肺结节. 这种机器学习方法增强了早期肺癌检测和诊断,改善了患者的治疗结果.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 早期发现肺瘤可以改善患者的预后和生活质量.
- 机器学习在识别小良性和恶性肺结节方面表现有前途.
- 需要进一步的研究来优化机器学习以区分小肺结节.
研究的目的:
- 开发和评估一个ResNet50-Ensemble投票模型.
- 检测小肺结节 (<20毫米) 的良性和恶性性质.
- 使用计算机断层扫描 (CT) 成像数据.
主要方法:
- 收集了396名患有小肺结节的患者的CT成像数据.
- 使用ResNet50和VGG16进行特征提取.
- 应用XGBoost,SVM和Ensemble投票进行分类,创建了十个组合分类器.
主要成果:
- 该ResNet50-Ensemble投票模型实现了最高的精度 (0.943),灵敏度 (0.964),和特异性 (0.911).
- VGG16-Ensemble投票表现较差,准确度为0.887,灵敏度为0.952和特异性为0.784. VGG16-Ensemble投票表现较差,准确度为0.887,灵敏度为0.952,特异性为0.784.
- 用准确性,灵敏性和特异性指标评估模型性能.
结论:
- 该ResNet50-Ensemble投票模型有效地识别良性和恶性小肺结节.
- 这种机器学习方法有助于临床医生准确诊断早期肺结节.
- 该模型的性能表明其在肺癌诊断中的临床应用潜力显著.
