使用混合预训练模型进行乳腺癌检测
Sameh Zarif1,2, Hatem Abdulkader3, Ibrahim Elaraby4
1Department of Information Technology, Faculty of Computers and Information, Menoufia University, Shebin El-kom, Menoufia, Egypt.
PloS one
|January 22, 2024
概括
一个新的混合深度学习模型 (CNN+EfficientNetV2B3) 准确地识别了乳腺组织病理图像中的侵入性导管癌 (IDC). 这种人工智能工具增强了早期乳腺癌检测,提高了病理学家的诊断准确度.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 乳腺癌诊断在很大程度上依赖于手动组织病理学图像分析,这是劳动密集型的,容易发生观察者之间的变化.
- 准确和及时的诊断对于有效的乳腺癌治疗和患者的治疗结果至关重要.
- 整个幻灯片图像 (WSI) 的自动化分析提供了一个潜在的解决方案,以提高效率和准确性.
研究的目的:
- 开发和评估一种混合深度学习模型,用于在乳腺组织病理图像中对侵入性导管癌 (IDC) 的自动分类.
- 与现有的机器学习和深度学习方法对比拟模型的性能.
主要方法:
- 开发了一个混合深度学习模型,将卷积神经网络 (CNN) 和EfficientNetV2B3结合起来.
- 该模型在整个幻灯片图像 (WSI) 上进行训练和验证,用于识别IDC和非IDC组织.
- 使用包括准确性,精度,回忆,F1分数,MCC,AUC-ROC和AUPRC在内的指标来评估性能.
主要成果:
- 拟议的CNN+EfficientNetV2B3模型实现了高性能:96.3%的准确性,93.4%的精度,86.4%的回忆,89.7%的F1得分,87.6%的MCC,97.5%的AUC-ROC和96.8%的AUPRC.
- 该模型显著优于其他经过测试的深度学习模型,包括MobileNet+DenseNet121和MobileNetV2+EfficientNetV2B0.0.
- 结果表明该模型在分类乳腺癌组织方面的稳定性和优越性.
结论:
- 混合CNN+EfficientNetV2B3模型展示了在组织病理学图像中自动检测乳腺癌的卓越性能.
- 这种人工智能驱动的方法可以成为帮助病理学家的宝贵工具,提高诊断准确性和效率.
- 这些发现表明,乳腺癌诊断的计算病理学有前途.
