机器和深度学习技术的调查,以检测HPV状态
Efstathia Petrou1, Konstantinos Chatzipapas2, Panagiotis Papadimitroulas1
13dmi Research Group, Department of Medical Physics, School of Medicine, University of Patras, 26504 Rion, Greece.
Journal of personalized medicine
|July 27, 2024
概括
分析计算机断层扫描 (CT) 扫描的深度学习模型显示,在头癌 (HNCs) 中对非侵入性人类乳头瘤病毒 (HPV) 检测有前途,达到90%的准确性. 放射性特征提供了一个互补的方法.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 头癌 (HNCs) 通常涉及人类乳头瘤病毒 (HPV) 感染.
- 准确的HPV状态检测对于HNC诊断和治疗至关重要.
- 目前的检测方法可能是侵入性的,需要探索非侵入性的替代品.
研究的目的:
- 研究在HNC中检测HPV的非侵入性方法.
- 将分析CT扫描的深度学习 (DL) 模型与使用放射性特征检测HPV的机器学习 (ML) 模型的有效性进行比较.
主要方法:
- 在50名HNC患者的CT数据上训练了一种修改后的ResNet-18 DL模型,以预测HPV状态.
- 从CT图像中提取了放射性特征,并用于训练四个ML模型 (KNN,逻辑回归,决策树,随机森林).
主要成果:
- 基于CT的DL模型在分类HPV状况方面实现了90%的准确性.
- 在ML模型中,K-Nearest Neighbors显示了80%的最高准确率.
- 结合DL和ML模型的组合方法带来了适度的准确性改进 (70-90%).
结论:
- 通过DL模型分析的CT扫描呈现出一种有希望的非侵入性方法来检测HNC的HPV.
- 在这项研究中,放射性特征提供了一个互补的,虽然不那么准确的方法.
- 未来的研究应该专注于更大的数据集,并将DL与放射性技术集成在一起.
