通过表格数据的视觉表示和深度转移学习来诊断前列腺癌
Moumen El-Melegy1, Ahmed Mamdouh1, Samia Ali1
1Electrical Engineering Department, Assiut University, Assiut 71516, Egypt.
Bioengineering (Basel, Switzerland)
|July 27, 2024
概括
本研究引入了一种新的机器学习方法,用于使用临床数据进行前列腺癌 (PC) 诊断. 该方法实现了高精度,为当前的PC检测方法提供了不那么侵入性和更具成本效益的替代方案.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 前列腺癌 (PC) 是男性的重大全球健康问题.
- 目前的诊断方法,如活检和数字直肠检查 (DRE) 有局限性,包括侵入性,成本和准确性.
- 需要改善PC的非侵入性诊断工具.
研究的目的:
- 开发和评估用于前列腺癌诊断的新型机器学习方法.
- 在表式临床数据上探索各种机器学习技术的应用,包括深度学习和转移学习.
- 评估新的Tab2Visual框架的有效性,用于将表格数据转化为分析图形表示.
主要方法:
- 利用传统的,基于树的和先进的表式深度学习方法进行PC数据分析.
- 适应卷积神经网络 (CNN) 和转移学习用于使用Tab2Visual框架的表格数据.
- 开发集体模型以进一步提高预测准确度.
主要成果:
- 拟议的机器学习方法实现了高F1分数0.907.
- 该模型表现出强的性能,曲线下的面积 (AUC) 为0.911.
- 实验评估证实了开发方法的有效性和优越性.
结论:
- 这种新型机器学习方法在精确检测前列腺癌方面显著有前途.
- 这种方法为传统诊断程序提供了潜在的非侵入性和成本效益的替代方案.
- Tab2Visual框架成功地使基于图像的深度学习技术能够应用于用于医疗诊断的表格数据.
