基于转移学习的双重成像方法的整合,以提高肺癌共聚焦激光内显微镜的分类精度
Mircea-Sebastian Șerbănescu1, Liliana Streba2, Alin Dragoș Demetrian3
1Department of Medical Informatics and Statistics, University of Medicine and Pharmacy of Craiova, 200349 Craiova, Romania.
Cancers
|February 26, 2025
概括
使用组织学和PCLE图像的双转移学习 (TL) 显著提高了肺癌分类准确度. 这种方法提高了诊断能力,以获得更好的患者结果.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 肺癌是癌症死亡的主要原因,需要先进的诊断工具.
- 聚焦激光内分显微镜 (pCLE) 显示出在体内组织分析的前景.
- 目前的PCLE图像分类方法需要改进.
研究的目的:
- 用PCLE图像来提高肺癌分类的准确性.
- 评估一个双转移学习 (TL) 方法,整合组织学和PCLE数据.
- 将双TL与常规TL进行比较,用于PCLE图像分析.
主要方法:
- 收集了40名肺癌患者的PCLE图像和组织样本.
- 开发了800张良性图像和800张恶性图像的平衡数据集.
- 应用了三种CNN架构 (AlexNet,GoogLeNet,ResNet),使用双TL (组织学然后PCLE) 和共聚焦TL (仅PCLE).
- 使用精度和AUC评估模型性能,在50次运行中进行10倍交叉验证.
主要成果:
- 在所有测试的CNN架构中,双TL显著优于对焦TL.
- 拥有双TL的AlexNet实现了94.97%的准确性和0.98 AUC.
- 双TL模型显示了统计学上显著的性能改善 (p < 0.001).
- 通过双TL模型观察到较少的假阳性和假阴性.
结论:
- 通过双TL整合组织学和PCLE成像,显著改善了肺癌的分类.
- 这种双TL方法为增强组织分类提供了一个强大的框架.
- 该方法有可能改善肺癌诊断患者的治疗结果.


