基于对比集群的患者规范化,以改善自动化体内口腔癌诊断,使用多谱自光终身图像

科学领域:

• 生物医学成像技术 生物医学成像技术
• 人工智能在医学中的应用
• 光学诊断器的光学诊断系统

背景情况:

• 多谱自光终身成像 (MAFI) 为口腔癌检测提供非侵入性组织评估.
• 对MAFI数据的临床解释是具有挑战性的,因为其非传统性质,需要诊断模型.
• 在小型MAFI数据集上训练深度学习模型受到患者变异性和过度拟合的阻碍.

研究的目的:

• 利用MAFI数据开发一个强大的深度学习框架来诊断口腔癌.
• 在训练诊断模型中,应对小型数据集和患者间变异性的挑战.
• 为了使患者特定的正常化,而不需要参考样本.

主要方法:

• 基于对比的预训练策略被用于患者的正常化.
• 一个多任务学习框架包括边界划分和癌症诊断.
• 预先训练的编码器被用于分类,通过对67名患者进行10倍交叉验证来评估.

主要成果:

• 提出的方法实现了82.08%的灵敏度和75.92%的癌症诊断特异性.
• 一个辅助边界划分任务产生了91.83%的灵敏度和79.31%的特异性.
• 与SVM和自编码器基线模型相比,观察到显著的性能改善.

结论:

• 开发的深度学习方法有效地训练模型用于非传统成像中的小数据应用.
• 该框架可以在没有参考样本的情况下实现患者的正常化,这是基于MAFI的诊断的关键进展.
• 这项研究的见解适用于其他新型成像模式中的类似挑战.