在组织学图像上改进了基于单元的闭门复发性骨髓瘤预测:一个以元启发学为导向的优化概念
S Prabakaran1, S Mary Praveena2
1Department of ECE, CMS College of Engineering and Technology, Coimbatore, Tamilnadu, 641032, India. sprabakaran87@gmail.com.
Scientific reports
|April 1, 2025
概括
这项研究引入了一个深度学习模型,用于使用组织学图像早期检测骨髓瘤. 这种新的方法可以准确地预测骨髓瘤,通过及时诊断和治疗,有可能提高患者的生存率.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 骨髓瘤是一种普遍存在的原发性骨癌,需要有效的治疗策略.
- 目前的诊断和治疗依赖于化疗反应,但单独的化疗可能导致持续的疾病.
- 早期诊断和个性化护理对于改善骨髓瘤患者的生存率至关重要.
研究的目的:
- 开发一种新的深度学习方法,直接从组织学图像中预测骨髓瘤.
- 通过先进的计算方法提高骨髓瘤诊断的准确性和效率.
主要方法:
- 利用UT西南大学/UT达拉斯大学的骨髓瘤数据集进行图像收集.
- 应用了Weiner波器用于图像预处理和2D Otsu的细分方法.
- 使用线性差异分析 (LDA) 来进行特征提取.
- 开发了一种改进的门式反复单元 (IGRU) 模型,该模型由 Osprey 优化算法 (OOA) 优化,用于预测.
主要成果:
- 开发的深度学习模型在骨髓瘤预测方面表现出显著的有效性.
- 对比分析显示,与传统方法相比,性能优越.
- 由OOA优化的IGRU模型在通过组织学图像识别骨髓瘤方面取得了很高的准确性.
结论:
- 拟议的深度学习框架为早期和准确诊断骨髓瘤提供了一个有前途的工具.
- 这种方法有可能指导个性化治疗策略并改善患者的治疗结果.
- 需要进一步的研究和验证,以将这项技术纳入骨髓瘤管理的临床实践.
