一项使用机器学习方法对囊性乙球菌病的分期研究
Tuvshinsaikhan Tegshee1, Temuulen Dorjsuren2, Sungju Lee3
1Department of Information Technology, School of Information and Communication Technology, Mongolian University of Science and Technology, Ulaanbaatar 13341, Mongolia.
Bioengineering (Basel, Switzerland)
|February 26, 2025
概括
这项研究开发了一种人工智能系统,使用医学成像来分类囊性赤道球菌病 (CE) 阶段. 混合人工智能模型实现了高精度,改善了对这种寄生虫疾病的诊断.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 寄生病的诊断 寄生病的诊断
背景情况:
- 囊性赤球菌 (CE) 是一种进展缓慢的寄生虫疾病,具有非特异性症状,往往会延迟诊断和治疗.
- 正确的CE分期对于有效管理至关重要,正如世界卫生组织 (WHO) 所定义的那样.
研究的目的:
- 开发和评估一个先进的人工智能 (AI) 和机器学习 (ML) 系统来分类CE囊阶段.
- 为了比较CT,超声波 (美国) 和MRI数据集中的十个ML算法的性能.
主要方法:
- 利用计算机断层扫描 (CT),超声波 (US) 和磁共振成像 (MRI) 数据集用于CE囊分类.
- 评估了十个ML算法,包括CNN+ResNet和Inception+ResNet.Net等混合模型.
- 开发了一种规范化和评分技术,以巩固模型选择的性能指标 (准确性,精度,回忆,特异性,F1评分).
主要成果:
- 混合模型,特别是CNN+ResNet和Inception+ResNet,在所有成像模式中表现出卓越的性能.
- 在CNN+ResNet模型中,CT的精度达到97.55%,US的精度达到93.99%,MRI的精度达到100%.
- 拟议的评分技术有效地确定了CE囊分类中表现最好的模型.
结论:
- 人工智能和机器学习,特别是混合和预训练模型,显示了推动医学图像分类的巨大潜力.
- 这项研究提供了一种有前途的方法,以提高囊性赤球菌病的差分诊断.
- 开发的系统可以帮助更准确和及时诊断CE阶段.
