通过使用卷积神经网络进行转移学习的诊断实用性,用于恶性溢出细胞学诊断

科学领域:

• 病理学 病理学 病理学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 对液的细胞学分析对于癌症诊断和分期至关重要.
• 对液的形态解释带来了诊断上的挑战.
• 卷积神经网络 (CNN) 为细胞学诊断提供了一个潜在的解决方案.

研究的目的:

• 探索CNNs在恶性溢出细胞学诊断中的实用性.
• 开发和评估一个深度学习模型来分类良性和恶性排泄物.

主要方法:

• 追溯分析了342个喷液样本和518张图像.
• 使用PyTorch.ch开发一个深度学习模型.
• 在标记的数据集上微调和评估模型.

主要成果:

• 在CNN模型中,曲线下的面积 (AUC) 为0.8674.4.
• 该模型显示F1得分为0.8678,表明最佳准确性.
• 在区分良性和恶性液方面观察到令人鼓舞的结果.

结论:

• 转移学习对提高临床病理学实验室效率具有重大潜力.
• 在恶性溢出细胞学诊断中,CNN可以成为一种有价值的工具.
• 这项研究强调了人工智能在提高细胞病理学诊断准确性的有效性.