彻底改变乳腺癌诊断:通过转移学习在组织病理学数据分析中的连锁精度
Dhayanithi Jaganathan1, Sathiyabhama Balasubramaniam1, Vidhushavarshini Sureshkumar2
1Department of Computer Science and Engineering, Sona College of Technology, Salem 636005, India.
Diagnostics (Basel, Switzerland)
|February 24, 2024
概括
这项研究介绍了一种基于转移学习的连接模型,用于乳腺癌组织病理学分析. 该模型实现了98%的训练准确度,提高了诊断能力.
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:
- 乳腺癌的诊断在很大程度上依赖于准确的组织病理学分析.
- 深度学习在提高组织病理学数据分析效率和精度方面表现有前途.
研究的目的:
- 开发和评估一种新的基于转移学习的连接模型,用于乳腺癌组织病理学.
- 通过先进的AI技术,提高乳腺癌诊断的准确性和效率.
主要方法:
- 通过调整预先训练的卷积神经网络 (CNN) 模型 (VGG-16,MobileNetV2,ResNet50,DenseNet121) 来利用转移学习.
- 开发了一个四级连接的分类模型,优化了性能的超参数.
- 在基因病理学数据上对连接模型与单个分类器进行了基准测试.
主要成果:
- 基于转移学习的连接模型实现了98%的训练精度.
- 与传统的方法和个人分类器相比,表现出了显著的性能提升.
- 这种四级连接模型显著提高了乳腺癌组织病理学数据分析的准确性.
结论:
- 拟议的连接模型有效地利用深度学习和转移学习用于乳腺癌组织病理学.
- 这种方法有可能增加病理学家的诊断能力,从而导致更好的治疗计划.
- 代表了人工智能在改善乳腺癌理解和管理方面的重大进步.
