在时间序列分散光学转光数据上使用机器学习检测乳腺癌
Nils Harnischmacher1, Erik Rodner1, Christoph H Schmitz2
1HTW - University of Applied Sciences Berlin, Faculty II, KI-Werkstatt, Berlin, Germany.
Journal of biomedical optics
|November 12, 2024
概括
机器学习 (ML) 使用扩散光学传输数据显著改善了乳腺癌检测. 这种方法显示出高准确性,优于临床诊断的传统方法.
科学领域:
- 生物医学光学 生物医学光学
- 机器学习应用程序 机器学习应用程序
- 医学成像分析分析 医学成像分析
背景情况:
- 光学乳房造影没有满足对癌症诊断的期望.
- 机器学习 (ML) 提供了在扩散光学传输数据中增强癌症检测的机会.
研究的目的:
- 量化评估ML方法来分类癌症阳性与癌症阴性患者.
- 在双边乳腺扫描的原始传输时间序列数据上评估ML性能.
主要方法:
- 使用了一个支持向量机器 (SVM),具有超参数优化和交叉验证.
- 使用自动化ML (AutoML) 框架进行验证.
- 使用接收器操作特征和曲线下的面积 (AUC) 量化分类性能.
主要成果:
- 在SVM分类中获得高达93.3%的AUC得分.
- 在AutoML分类器中获得高达95.0%的AUC得分.
- 在一个由18名癌症患者组成的样本组上证明了高诊断性能.
结论:
- 通过扩散光学传输,ML为临床相关的乳腺癌诊断提供了可行的策略.
- 原始数据的ML可以超过从重建图像中获得的传统统计生物标志物.
- 同时的双边扫描与密集的通道覆盖对于临床相关性至关重要.
