一种基于工程特征的机器学习技术,用于从组织病理图像中检测和分类肺癌和结肠癌

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 机器学习在瘤学中

背景情况:

• 肺癌和结肠癌是全球癌症相关死亡的主要原因.
• 准确及时诊断这些癌症对于患者的生存至关重要.
• 手动组织病理图像分析是耗时且容易出现错误的.

研究的目的:

• 开发一种准确且可解释的机器学习 (ML) 技术,用于肺癌和结肠癌的自动分类.
• 为了比较纹理,颜色和癌症分类的组合特征的性能.
• 提供一个ML工具,提高效率和降低成本在他的病理学诊断.

主要方法:

• 组织病理学图像进行了预处理.
• 使用Haralick算法提取纹理特征,使用颜色直方图算法提取颜色特征.
• 功能被连接并使用光梯度增强机 (LightGBM) 模型进行分类.
• 在LC25000数据集上使用保留和分层10倍交叉验证来评估性能.

主要成果:

• 在纹理特征上,LightGBM实现了97.72%的准确性,在色彩特征上达到99.92%,在持有套上的组合特征达到100%.
• 分层10倍交叉验证证实了色彩和组合特征的强性能,由高平均AUC和低平均多个日志损失表明.
• 拟议的方法证明了用于自动化癌症分类的高准确性和可解释性.

结论:

• 开发的ML技术准确地从组织病理学图像中对肺癌和结肠癌进行分类.
• 使用与LightGBM结合的纹理和颜色特征提供了一个高度有效的分类方法.
• 这种自动化方法可以显著提高组织学家癌症诊断的效率,有效性和经济可行性.