通过分析高分辨率的组织病理学图像,基于深度学习的食道癌亚型的识别
Syed Wajid Aalam1, Abdul Basit Ahanger1, Tariq A Masoodi2
1Department of Computer Science, Islamic University of Science and Technology, Awantipora, India.
Frontiers in molecular biosciences
|April 3, 2024
概括
这项研究开发了一种深度学习系统,从组织病理学图像准确地分类食道癌 (EC) 亚型. 推送神经网络的准确率达到了94%,有助于精确的诊断和改善患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 医学成像分析 医学成像分析
背景情况:
- 食道癌 (EC) 是一个全球性健康挑战,死亡率高.
- 精确的EC亚型 (腺癌与状细胞癌) 对治疗至关重要,但面临诊断局限性.
- 目前的组织病理学诊断是主观的,耗时的,需要自动化解决方案.
研究的目的:
- 开发和评估二进制分类系统,以使用深度学习来区分EC子类型.
- 评估各种机器学习分类器在基因病理图像数据上的性能.
- 为病理学家提供潜在的决策支持工具,特别是在资源有限的环境中.
主要方法:
- 利用了来自癌症基因组图谱 (TCGA-ESCA) 数据集的59张高分辨率基因病理图像.
- 在图像预处理和补丁后使用预训练的ResNet101模型进行特征提取.
- 使用支持矢量分类器,物流回归,决策树,AdaBoost,随机森林和前神经网络分类的EC亚型.
主要成果:
- 输入前传神经网络 (FFNN) 实现了最高的预测准确度 (0.94) 和曲线下面面积 (AUC) 评分 (0.92).
- 支持矢量分类器和物流回归表现出强的性能,准确度为0.88和AUC为0.87.
- 其他分类器,如随机森林,决策树和AdaBoost显示了不同程度的准确性.
结论:
- 拟议的深度学习系统,特别是FFNN,显示了准确和自动化的EC亚型分类的巨大潜力.
- 这种方法可以作为一个有价值的决策支持工具,提高诊断效率和精度.
- 改善EC亚型的诊断准确性可以导致及时治疗,并可能降低患者的死亡率.
