基于转移学习的框架,用于对前列腺癌患者的淋巴结转移进行分类
Suryadipto Sarkar1, Teresa Wu2, Matthew Harwood3
1Department Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91054 Erlangen, Germany.
Biomedicines
|October 26, 2024
概括
结合深度学习和机器学习的混合人工智能 (AI) 方法有效地识别恶性前列腺淋巴结. 这种方法有望提高医学成像诊断的准确性,特别是在有限的数据的情况下.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 前列腺癌是一种常见的诊断,扩散到淋巴结表明有侵略性的疾病.
- 在成像上区分恶性和非恶性淋巴结对放射科医生来说是个挑战.
- 人工智能 (AI) 为医学成像诊断任务提供了潜在的解决方案.
研究的目的:
- 开发和评估可扩展的混合人工智能框架,用于识别前列腺癌患者的恶性淋巴结.
- 将混合AI方法的性能与传统纹理算法 (GLCM,Gabor) 的性能进行比较.
主要方法:
- 一个混合框架,使用预训练的深度学习模型 (ResNet-18) 来进行特征提取.
- 通过ResNet-18提取的特征被输入到机器学习分类器中,用于淋巴结识别.
- 与使用灰级共发生矩阵 (GLCM) 和Gabor纹理特征的分类模型进行比较.
主要成果:
- 拟议的混合框架实现了76.19%的准确性,79.76%的灵敏性和69.05%的特异性.
- 传统的纹理算法表现较差:GLCM (61.90%准确率) 和Gabor (65.08%准确率).
- 混合方法在分类前列腺淋巴结方面表现出卓越的表现.
结论:
- 使用深度学习来提取特征的混合人工智能方法,其次是机器学习分类,这是一个可行的解决方案.
- 这种混合方法对于处理小数据集的医学成像应用特别有益.
- 这项研究强调了人工智能的潜力,改善了侵袭性前列腺癌的诊断.
