基于集体的深度学习改善了在常规基因病理学图像中检测侵入性乳腺癌的检测
Leslie Solorzano1, Stephanie Robertson2, Balazs Acs2
1Department of Medical Epidemiology and Biostatistics, Karolinska Institutet, Stockholm, Sweden.
Heliyon
|July 18, 2024
概括
一组卷积神经网络 (CNN) 模型在整个幻灯片图像 (WSI) 中准确检测入侵性乳腺癌 (IC),表现优于单个CNN模型. 这种方法增强了病理学家和计算分析的诊断支持.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 机器学习在医学中的应用
背景情况:
- 准确检测侵袭性乳腺癌 (IC) 对患者治疗和计算分析至关重要.
- 卷积神经网络 (CNN) 可以从整个幻灯片图像 (WSI) 中学习指示IC的形态特征.
研究的目的:
- 为了比较单个CNN模型与CNN模型组合的IC检测性能.
- 评估基于集合的模型的预测准确性和可变性.
- 开发一个可视化策略,以获得合唱团的同意.
主要方法:
- 在两个内部数据集 (587个WSI) 上训练了十个InceptionV3 CNN模型.
- 利用来自集体的共识预测来确定IC的存在.
- 在一个内部测试集 (118个 WSIs) 和一个外部数据集 (TCGA乳腺癌,157个 WSIs) 上评估了性能.
主要成果:
- 在内部测试中,集体策略在89%的WSI中表现优于单一的CNN模型.
- 实现了0.92的精度 (DICE 0.90) 与集体相比0.85 (DICE 0.83) 单个模型内部.
- 对于TCGA数据集,整体实现了0.87准确度 (DICE 0.89),明显超过单一模型的0.75准确度 (DICE 0.78).
结论:
- 与单个模型相比,基于集体的CNN建模始终提高了侵入性乳腺癌检测准确度.
- 集合协议可视化有助于解释模型预测和识别不确定性区域.
- 这种方法为病理学家提供了有价值的决策支持,并增强了下游计算分析.
