基于CNN的深度学习方法用于对乳腺癌的侵入性导管和转移类型的分类

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 乳腺癌是全球妇女死亡的主要原因.
• 针对侵袭性导管癌 (IDC) 和转移性乳腺癌的准确分类对于有效治疗至关重要.
• 目前的查方法,如乳房影像,在早期和准确的检测方面存在局限性.

研究的目的:

• 为改进乳腺癌分类开发一个定制的机器学习框架.
• 为了提高预测侵入性导管癌 (IDC) 和转移性癌症的准确性.
• 为乳腺癌检测提供更智能的诊断方法.

主要方法:

• 一个卷积神经网络 (CNN) 模型被开发用于癌症分类.
• 美国有线电视新闻网 (CNN) 的模型是用一大批微观病原体图像的大型数据集进行训练的.
• 该模型自动学习图像分析的等级特征.

主要成果:

• 机器学习技术显著提高了癌症检测效率15%-25%.
• 该模型在将转移性细胞与良性细胞分类时实现了95%的准确性.
• 在检测侵入性导管癌 (IDC) 方面获得了89%的准确性.

结论:

• 拟议的CNN模型表明乳腺癌的分类准确性得到了改进.
• 这种机器学习方法对于分类IDC和转移性癌症是有效的.
• 该模型显示了在实时诊断系统中应用的潜力,性能优于现有方法.