一种混合深度学习和机器学习方法与移动-EfficientNet和灰狼优化器用于肺癌和结肠癌组织病理学分类

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
• 医疗图像分析 医疗图像分析

背景情况:

• 肺癌和结肠癌是全球癌症死亡的主要原因.
• 准确的组织病理学分类对于有效的癌症诊断和治疗至关重要.
• 现有的诊断方法需要改进,以提高通用性和实时应用.

研究的目的:

• 开发一种混合深度学习和机器学习框架,用于分类五种类型的组织病理图像:结肠腺癌,结肠良性组织,肺腺癌,肺良性组织和肺状细胞癌.
• 通过解决现有数据集的局限性,提高癌症分类模型的通用性.

主要方法:

• 利用对比度有限的自适应式直方体平衡 (CLAHE) 进行图像增强.
• 引入了来自国家癌症研究所GDC数据门户的新图像,以使数据集多样化.
• 开发了一种混合功能提取模型 (MobileNetV2和EfficientNetB3),使用灰狼优化器 (GWO) 进行优化.
• 应用机器学习模型 (XGBoost,LightGBM,CatBoost) 使用Optuna进行交叉验证和超参数调整.

主要成果:

• 拟议的MEGWO-LCCHC技术显示了高分类准确度.
• 轻量级深度神经网络 (DNN) 模型实现了94.8%的准确性.
• 轻GBM,XGBoost和CatBoost模型的精度分别达到93.9%,93.5%和93.3%.

结论:

• 开发的框架显著提高了肺癌和结肠癌的分类性能.
• 该方法提供了更好的通用性,使其适合于现实世界的临床应用.
• MEGWO-LCCHC框架显示了作为在癌症诊断中推进AI的强大工具的潜力.