使用深度学习网络对宫癌中ZEB2表达图像进行分类

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 人工智能的人工智能

背景情况:

• 宫癌仍然是女性癌症死亡的主要原因,特别是在服务不足的地区.
• 缺乏可访问的查和后续护理加剧了这个问题.
• 指 E-box-binding homeobox 2 (ZEB2) 是一个潜在的宫瘤侵略性和进展的生物标志物.

研究的目的:

• 开发和评估一种混合深度学习系统,用于基于ZEB2表达的宫癌图像的分类.
• 通过可视化技术提高深度学习模型的可解释性.

主要方法:

• 通过使用集体投票集成EfficientNet,DenseNet和InceptionNet模型,创建了一个混合深度学习系统.
• 使用梯度加权类激活映射 (Grad-CAM) 来实现模型的可解释性.
• 用于培训,验证和测试,使用了649张注释的宫癌图像的数据集.

主要成果:

• 混合深度学习模型在测试数据集上实现了94.4%的高分类精度.
• Grad-CAM可视化突出了影响ZEB2表达式分类的关键图像区域.
• 该模型展示了ZEB2表达式分析的有效和可解释的方法.

结论:

• 拟议的混合深度学习模型为基于ZEB2表达的宫癌的准确和可解释的分类提供了一个有希望的工具.
• 这种方法有可能显著提高早期诊断率,从而改善患者的治疗结果并降低医疗保健成本.
• 未来的研究将专注于改进模型的准确性,并探索其对其他癌症类型的应用.