人工智能驱动的显微镜:使用显微镜图像进行乳腺组织预后的尖端方法
Tariq Mahmood1,2, Tanzila Saba1, Shaha Al-Otaibi3
1Artificial Intelligence and Data Analytics (AIDA) lab, CCIS Prince Sultan University, Riyadh, Saudi Arabia.
Microscopy research and technique
|January 3, 2025
概括
这项研究引入了一种深度学习框架,用于分析微观乳腺癌图像,在对良性/恶性组织和亚型的分类中实现高精度. 计算机辅助分析加速了诊断,并减少了手动评估的负担.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医学图像分析
- 瘤学中的深度学习
背景情况:
- 显微镜成像对于疾病诊断至关重要,但手动对高分辨率图像的定量评估具有挑战性.
- 对乳腺癌组织进行准确和快速的分析对于临床诊断,预后和治疗至关重要.
- 现有的方法在量化复杂组织和满足实时病理图像分析需求方面遇到了困难.
研究的目的:
- 开发先进的计算机辅助分析方法,以快速准确地对微观乳腺癌图像进行定量评估.
- 通过深度学习提高临床诊断,过程分析和预后预测的准确性和效率.
- 解决量化小而复杂的乳腺癌组织的挑战,并满足实时病理图像分析要求.
主要方法:
- 集成密集卷积网络 (DenseNet) 与用于增强特征提取的注意力机制.
- 使用深度学习框架,如挤压激发和扩展密集卷积块.
- 使用转移学习与预先训练的架构 (VGGNet-19,ResNet152V2,EfficientNetV2-B1,DenseNet-121) 和数据增强技术.
主要成果:
- 在二级分类 (良性/恶性) 中达到99.6%的准确性,在八种乳腺亚型分类中达到99.4%的准确性.
- 与现有方法相比显著改进,乳腺亚型分类的准确性通常较低 (85%-94%).
- 该框架有效地使用多级特征提取和注意力机制进行乳腺病变的精确预测和细分.
结论:
- 拟议的深度学习框架为定量病理图像分析提供了复杂而高效的解决方案.
- 这种方法显著提高了诊断准确度,并减少了与传统方法相关的时间和成本.
- 实现的高精度提供了可靠的诊断支持,提高了乳腺癌临床决策的精度.
