混合拓数据分析和深度学习用于基底细胞癌诊断
Akanksha Maurya1, R Joe Stanley2, Norsang Lama1
1Missouri University of Science &Technology, Rolla, MO, 65209, USA.
Journal of imaging informatics in medicine
|February 12, 2024
概括
这项研究引入了一种混合模型,将拓数据分析 (TDA) 和深度学习 (DL) 结合起来,用于诊断基底细胞癌 (BCC). 这种新的方法通过分析telangiectasia特征来准确识别BCC,从而达到高诊断准确度.
科学领域:
- 皮肤病学和计算智能
- 拓数据分析在医学成像中的应用.
- 深度学习用于癌症诊断
背景情况:
- 皮肤病变内的长管切除是基础细胞癌 (BCC) 的关键临床指标.
- 深度学习 (DL) 模型越来越多地用于皮肤癌诊断和特征分析.
- 拓数据分析 (TDA) 提供了从复杂数据中提取信息的新方法.
研究的目的:
- 开发一种混合的拓数据分析-深度学习 (TDA-DL) 模型,以改善基底细胞癌 (BCC) 诊断.
- 调查从telangiectasia提取的拓特征在BCC检测中的实用性.
- 提高皮肤癌自动诊断系统的性能.
主要方法:
- 使用合体学习开发了一种集成TDA和DL的混合模型.
- 应用了持久性同质学 (TDA技术) 来从细分的电脉切割和皮肤病变中提取拓特征.
- 一个预先训练的EfficientNet-B5模型被微调以产生DL功能.
主要成果:
- 混合TDA-DL模型实现了97.4%的最先进的诊断准确度.
- 该模型在395个皮肤病变的测试组上显示了0.995的高曲线下面面积 (AUC).
- 分析证实,telangiectasia的特征显著改善了BCC诊断.
结论:
- 整合TDA与DL可以提高基底细胞癌诊断的准确性.
- 拓数据分析显示了在医疗诊断中提高深度学习模型性能的巨大潜力.
- 使用TDA-DL对telangiectasia的自动化分析为皮肤病学中的临床应用提供了一个有前途的工具.
