一个新的深度学习框架,用于准确的黑色素瘤诊断,整合成像和基因组数据,以改善患者的治疗结果

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 生物信息学是一种生物信息学.

背景情况:

• 黑色素瘤是一种危险的皮肤癌,晚期死亡率高.
• 早期和准确的检测对于改善患者的预后至关重要.
• 传统的活检方法用于黑色素瘤诊断缺乏可靠性,需要先进的诊断工具.

研究的目的:

• 通过深度神经网络 (DNN) 提出一种用于黑色素瘤分类的新方法.
• 结合多种模式的成像和基因组数据,以实现潜在更可靠的黑色素瘤诊断.
• 提高诊断能力,超越当前的医疗方法.

主要方法:

• 一个数据集包括皮肤镜图像,遗传病理幻灯片和基因组资料.
• 开发了一个自定义的框架,集成图像分析的卷积神经网络 (CNN) 和基因组数据分析的图形神经网络 (GNN).
• 该框架在策划的多式联运数据集上进行了培训和评估.

主要成果:

• 多模式DNN的平均精度为92.5%,ROC曲线下的面积为0.96.
• 与传统的医学方法和传统的AI/机器学习相比,该模型表现出更高的性能.
• DNN有效地确定了黑色素瘤的关键形态和分子特征.

结论:

• 开发的多模式DNN为准确的黑色素瘤检测提供了一个有希望的方法.
• 这种人工智能驱动的诊断策略可以帮助皮肤科医生做出更明智的决策并完善治疗计划.
• 需要通过更大规模的研究和临床试验进行进一步的验证,以确定临床可行性和有效性.