基于通过阴道的超声波图像来识别非典型的子宫内膜增生和子宫内膜癌的少量学习

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 妇科瘤学 妇科瘤学

背景情况:

• 通过通过阴道超声波 (TVU) 区分非典型子宫内膜异位增生 (AEH) 和子宫内膜癌 (EC) 是具有挑战性的.
• 数据的有限可用性阻碍了对子宫内膜病理的强大的诊断AI模型的开发.

研究的目的:

• 开发和评估一个几次射击学习 (FSL) 模型,用于分类非非典型的子宫内膜增生症 (NAEH),AEH和EC.
• 用有限的TVU图像来评估FSL模型的性能.

主要方法:

• 使用了33个病理确认的NAEH,AEH和EC TVU图像的数据集.
• 采用双重预训练的ResNet50 V2用于特征提取和k-近邻 (KNN) 分类器.
• 实施了几次拍摄的学习方法,包括一个支持集 (3个图像/班级) 和一个查询集 (30个图像/班级).

主要成果:

• 在查询集中,FSL模型实现了0.878的整体准确度和0.882的宏观精度.
• 性能优于自动机器学习,传统的ResNet50 V2,初级和高级超声波仪.
• 对于EC检测,FSL模型报告精度为0.964,回忆率为0.900,F1得分为0.931.

结论:

• 拟议的FSL模型有效地使用有限的TVU数据识别NAEH,AEH和EC.
• 在妇科条件下显示了计算机辅助诊断的重大潜力.
• 强调FSL在克服医疗图像分析数据短缺方面的实用性.