基于光纤拉曼光谱的多任务智能检测口腔癌的深度学习方法
Lianyu Li1, Mingxin Yu1,2,3, Xing Li4
1Key Laboratory of the Ministry of Education for Optoelectronic Measurement Technology and Instrument, Beijing Information Science and Technology University, Beijing 100192, China. lly1879794@163.com.
Analytical methods : advancing methods and applications
|February 29, 2024
概括
这项研究引入了一种新的多任务深度学习方法,将拉曼光谱结合起来,同时进行口腔癌分期和分级. MTN-变压器模型显示了改善口腔癌诊断的有希望的结果.
科学领域:
- 生物医学光学 生物医学光学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 口腔癌的诊断依赖于准确的分期和分级,以获得有效的治疗.
- 当前的方法往往单独处理分阶段和分级任务,限制数据利用.
- 拉曼光谱为癌症检测提供有价值的无标签生物化学信息.
研究的目的:
- 开发一个集Raman光谱的多任务深度学习框架,用于同时进行口腔癌瘤分期,淋巴结分期和组织学分级.
- 评估各种多任务网络 (MTN) 架构的性能,与单任务模型和传统机器学习方法相比.
- 确定最佳的MTN模型,以改善口腔癌诊断.
主要方法:
- 从70个口腔组织样本 (35名患者) 收集了1750个拉曼光谱.
- 使用深度神经网络开发了四种不同的多任务网络 (MTN) 模型:MTN-Alexnet,MTN-Googlenet,MTN-Resnet50和MTN-Transformer.
- 将MTN模型与单任务模型和传统机器学习方法进行比较,用于瘤分期,淋巴结分期和组织学分级.
主要成果:
- 多任务网络模型在所有分类任务中表现良好.
- MTN-Transformer实现了最高的性能,瘤分期精度为81.5%,淋巴结分期精度为81.3%,组织学分级精度为83.0%.
- 在初步实验中,MTN-Transformer的表现优于单任务模型和传统的机器学习方法.
结论:
- 结合拉曼光谱和多任务深度学习的方法是有效的同时口腔癌的分期和分级.
- MTN-变压器模型显示了提高口腔癌诊断的准确性和效率的巨大潜力.
- 这种综合方法为临床决策提供了更全面地利用光谱数据.
