深度卷积神经网络用于准确地对基于贴片的图像上的肌纤维细胞损伤进行分类
Daniela Giraldo-Roldán1,2, Giovanna Calabrese Dos Santos3, Anna Luíza Damaceno Araújo4
1Faculdade de Odontologia de Piracicaba, Universidade de Campinas (FOP-UNICAMP), Piracicaba, São Paulo, Brazil. Danygir.2@gmail.com.
Head and neck pathology
|October 28, 2024
概括
一个深度卷积神经网络 (CNN) 准确地将肌纤维细胞病变分类为良性或恶性. 人工智能模型表现出高精度和灵敏度,为病变诊断提供了一个有前途的工具.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 数字病理学数字病理学
背景情况:
- 肌纤维细胞病变需要准确地分为良性和恶性类别,以进行适当的患者管理.
- 鉴于组织学上的相似之处,区分良性和恶性肌纤维细胞瘤可能具有挑战性.
研究的目的:
- 实施和评估深度卷积神经网络 (CNN) 用于分类肌纤维细胞病变.
- 通过基于补丁的图像分析,评估ResNet50模型在区分良性和恶性肌纤维细胞瘤方面的性能.
主要方法:
- 一个残余神经网络 (ResNet50) 模型使用 ImageNet 预先训练的权重进行了微调.
- 全幻灯片图像 (WSIs) 被细分成 224x224 像素的补丁,并分为培训,验证和测试集.
- 美国有线电视新闻网 (CNN) 用亚当优化器训练了75个时代,学习率为0.00001.
主要成果:
- ResNet50模型实现了高性能指标:98.97%的准确性,99.91%的精度,97.98%的灵敏度,99.91%的特异性,98.94%的F1得分和0.99的AUC.
- 该模型在未见的数据上展示了强大的概括能力.
结论:
- 开发的ResNet50模型在区分良性和恶性肌纤维细胞瘤方面表现几乎完美.
- 人工智能模型的有效性可能源于它识别微妙的歧视特征并利用全面的数据预处理的能力.
