通过深度和整体机器学习提高结直肠癌组织学分解的性能
Fabi Prezja1, Leevi Annala2,3, Sampsa Kiiskinen1
1University of Jyväskylä, Faculty of Information Technology, Jyväskylä, 40014, Finland.
Heliyon
|September 23, 2024
概括
卷积神经网络 (CNN) 可以从标准结直肠癌图像中提取生物标志物,为遗传测试提供更快,更便宜的替代方案. 这项研究开发了一种混合模型,在组织分类中实现了高准确度,以改善患者结果预测.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 发现生物标志物的发现.
背景情况:
- 血素和素染色组织学样本是结直肠癌管理的标准.
- 目前患者分层的黄金标准依赖于昂贵且耗时的遗传测试.
- 卷积神经网络 (CNN) 显示出从易于获得的组织学图像中提取生物标志物的前景.
研究的目的:
- 开发和评估一种新的混合深度转移学习和整体机器学习模型,用于在整个幻灯片图像中准确地进行组织分类.
- 为了提高基于成像的生物标志物对结直肠癌患者分层的预后潜力.
- 为传统遗传生物标志物发现提供更快,更自动,更具成本效益的替代方案.
主要方法:
- 开发了一个混合模型,将EfficientNetV2架构与随机森林分类头结合起来.
- 该模型利用深度转移学习和整体机器学习技术.
- 在内部和外部测试集上评估性能,与变压器和神经架构搜索基线进行比较.
主要成果:
- 混合模型在外部测试组 (95% CI: 96.3% - 97.1%) 上获得了96.74%的准确性.
- 该模型在内部测试套件上显示了99.89%的异常高准确度.
- 开发的模型显著改善了以前用于组织类分解的方法.
结论:
- 从组织学图像中提取的基于CNN的生物标志物可以与黄金标准相比地预测患者的结果.
- 准确的组织类分解对于提高基于成像的生物标志物的预后能力至关重要.
- 这种公开的模型为发现结直肠癌生物标志物和患者分层提供了一个有前途,高效和具有成本效益的工具.
