基于机器学习的甲状腺结节囊入侵的诊断,使用广场第二波代显微镜
Yaraslau Padrez1, Lena Golubewa1, Igor Timoshchenko1
1Center for Physical Sciences and Technology, Sauletekio Ave. 3, Vilnius LT-10257, Lithuania.
概括
机器学习和SHG显微镜可以分析皮质甲状腺癌 (PTC) 中的原蛋白囊结构. 这种方法可以识别完整的,被入侵的和可能被入侵的区域,提高甲状腺癌的诊断准确度.
科学领域:
- 生物医学光学 生物医学光学
- 计算病理学计算病理学
- 癌症研究 癌症研究
背景情况:
- 乳头甲状腺癌 (PTC) 是一种常见的甲状腺癌.
- 环绕PTC结节的原体囊是入侵的障碍.
- 检测囊侵入对于诊断和治疗计划至关重要.
研究的目的:
- 用SHG显微镜和机器学习量化描述PTC囊中的原蛋白结构.
- 为了区分完整的,被入侵的和可能被入侵的囊区域.
- 为了提高封装PTC的诊断性能.
主要方法:
- 广场第二波生成 (SHG) 显微镜.
- 纹理分析. 纹理分析.
- 无监督的机器学习 (k-means集群).
主要成果:
- 原蛋白囊是异质的,通过ML参数识别出不同的细分.
- 侵入性部位显示碎片化,卷曲的原纤维.
- ML确定了最初的组织病理学遗漏的潜在的微侵袭区域.
结论:
- 无监督的ML与SHG显微镜可可靠地补充PTC诊断.
- 这种方法提高了诊断可靠性,简化了决策,减少了错误.
- 自动化ML方法可以加速开发用于临床整合的全自动化诊断工具.
