一个新的混合模型,用于自动非小细胞肺癌分类,使用 histopathological 图像
Oguzhan Katar1, Ozal Yildirim1, Ru-San Tan2,3
1Department of Software Engineering, Firat University, Elazig 23119, Turkey.
Diagnostics (Basel, Switzerland)
|November 27, 2024
概括
一个新的混合模型使用深度,纹理和上下文特征从组织病理图像中准确地分类非小细胞肺癌 (NSCLC) 亚型,达到99.87%的准确性. 这有助于病理学家在诊断和治疗规划.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 肺癌,特别是非小细胞肺癌 (NSCLC),是癌症死亡的主要原因.
- 准确的NSCLC亚型分类对于有效的治疗策略至关重要.
- 手动组织病理图像分析需要大量的时间和专业知识.
研究的目的:
- 从基因病理图像开发一种混合模型,用于自动化NSCLC亚型分类.
- 为了提高NSCLC诊断的准确性和效率.
主要方法:
- 采用了一种混合模型,集成了EfficientNet-B0 (深度特征),局部二进制模式 (LBP,纹理特征) 和视觉转换器 (ViT,上下文特征).
- 提取的特征被组合成一个全面的向量,用于机器学习分类器.
- 评估了支持向量机 (SVM),物流回归 (LR),LightGBM和XGBoost.
主要成果:
- 使用混合模型与EfficientNet-B0,LBP,ViT编码器和SVM实现了99.87%的最高分类准确率.
- 与传统方法相比,拟议的模型显著提高了NSCLC亚型分类的准确性.
- 测试了多个训练场景和分类器,以验证模型的性能.
结论:
- 混合模型有效地整合了各种功能,使得NSCLC的分类更加稳定.
- 这种方法提高了诊断的准确性,降低了误诊的风险,并支持更好的治疗规划.
- 在临床病理学中,NSCLC亚型的自动分类显示出显著的前景.
