使用机器学习的极度成像技术,结合光学参数来对小鼠非黑色素瘤皮肤癌组织进行分类
Thi-Thu-Hien Pham1,2, Thanh-Ngan Luu1,2, Thao-Vi Nguyen1,2
1School of Biomedical Engineering, International University (VNU-HCM), Ho Chi Minh City, Viet Nam.
Heliyon
|November 30, 2023
概括
这项研究引入了一种使用极度度成像和机器学习来分类小鼠皮肤癌进展的新方法. 支持矢量机 (SVM) 模型实现了94%的准确性,显示了可靠的皮肤癌诊断的希望.
科学领域:
- 生物医学光学 生物医学光学
- 机器学习在医疗保健中的应用
- 癌症诊断 癌症诊断 癌症诊断
背景情况:
- 极度成像技术提供了先进的组织特征.
- 机器学习有助于复杂的数据分析,用于医学诊断.
- 早期和准确的皮肤癌检测对于有效治疗至关重要.
研究的目的:
- 利用穆勒矩阵成像和机器学习开发和验证一种用于分类皮肤癌进展的新方法.
- 在小鼠中区分健康,乳头瘤和状细胞癌组织.
- 在这个分类任务中评估不同机器学习算法的性能.
主要方法:
- 利用穆勒矩阵成像来获得小鼠皮肤组织的光学特性.
- 从获得的图像中提取了关键的光学参数.
- 训练并测试了三个机器学习模型:K-最近邻居,决策树和支持向量机 (SVM).
主要成果:
- 支持矢量机 (SVM) 模型在区分三种组织类型方面表现出强大.
- 在测试数据集上,SVM模型实现了94%的高分类准确性.
- 这表明了将极度度成像与机器学习相结合用于皮肤癌分期的潜力.
结论:
- 当与机器学习算法集成的极度成像系统,为皮肤癌诊断提供了可靠的方法.
- 提出的方法显示了支持癌症检测和分期的临床决策的巨大潜力.
- 进一步的研究可以探索这种技术用于人类皮肤癌症诊断的临床翻译.
