使用EfficientNet对基因病理图像进行口腔状细胞癌检测

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:

• 口腔状细胞癌 (OSCC) 诊断受到不准确的工具的挑战,导致检测延迟.
• 目前的OSCC诊断方法缺乏最佳的准确性和效率.
• 对于OSCC的先进,可靠的诊断方法有着至关重要的需求.

研究的目的:

• 探索用于OSCC检测的组织病理图像的歧视潜力.
• 开发和评估一种深度学习模型,以区分正常的口腔表皮与OSCC组织.
• 在OSCC诊断中评估定制EfficientNetB3模型的有效性.

主要方法:

• 利用了来自230名患者的1224张基因病理图像数据库,各种放大.
• 基于EfficientNetB3架构开发了一个定制的深度学习模型.
• 在模型培训期间使用数据增强,规范化和优化技术.

主要成果:

• 深度学习模型在区分正常表皮与OSCC组织方面达到99%的准确性.
• 该模型展示了高精度,回忆和F1得分指标.
• 结果表明该模型作为OSCC的潜在诊断工具的稳定性.

结论:

• 深度学习模型显示出克服OSCC诊断挑战的重大前景.
• 开发的模型代表了早期和准确的OSCC检测的实质性进展.
• 机器学习技术可以通过及时和精确的OSCC识别来改善患者的治疗结果.