对瘤致病剂鉴定计算模型的评估
Hyam Omar Ali1,2,3,4, Romain Abraham4, Guillaume Desoubeaux5,6
1Faculty of Mathematical Sciences, University of Khartoum, 11111, Khartoum, Sudan.
Transactions of the Royal Society of Tropical Medicine and Hygiene
|December 13, 2023
概括
一个新的机器学习模型从谷物图像中准确地识别出瘤的真菌 (eumycetoma) 或细菌 (actinomycetoma) 原因. 这种方法有助于在缺乏专家病理学家的农村地区进行诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 机器学习在诊断中的应用.
背景情况:
- 瘤的诊断依赖于识别真菌 (eumycetoma) 或细菌 (actinomycetoma) 代理物.
- 当前的组织病理学诊断需要熟练的病理学家,在特有农村地区很少.
- 这项研究解决了对可访问的瘤诊断工具的需求.
研究的目的:
- 开发和评估用于半自动分类瘤亚型的机器学习模型.
- 为了区分eumycetoma和actinomycetoma使用他的病理学粒度图像.
- 为瘤提供一个可访问的诊断辅助工具.
主要方法:
- 开发了一个利用放射学和部分最小平方的计算模型.
- 该模型在来自168名苏丹瘤患者的890颗粒上进行了训练和验证.
- 该数据集包括94例eumycetoma和74例actinomycetoma病例.
主要成果:
- 机器学习模型在识别致病原体方面取得了91.89%的准确性.
- 该模型证明了对小细分错误和采集协议变异的稳定性.
- 菌株粒纹理的均性成为最具歧视性的放射性特征.
结论:
- 计算方法在资源有限的农村环境中为瘤诊断提供了有价值的工具.
- 这种方法可以作为专家病理学家的补充诊断辅助.
- 准确的识别有助于实施适合瘤的治疗策略.
更多相关视频
03:24Author Spotlight: Enhancing Candida albicans Detection in Catheter Infections Using Fluorescent Protein Tagging
Published on: March 22, 2024
1.5K
06:58Author Spotlight: Evaluation of Entomopathogenic Fungi in Wild Monochamus alternatus Populations for Biocontrol Applications in Forest Wood Borers
Published on: September 29, 2023
765
