从基因病理图像中预测早期结肠癌,使用增强的深度学习与信心评分

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 结肠癌 (CC) 构成了全球健康的重大负担,需要改进诊断方法.
• 通过组织病理图像分析早期发现CC对于有效的治疗和患者的治疗结果至关重要.
• 当前的诊断方法在准确性和效率方面可能面临挑战.

研究的目的:

• 开发和评估NalexNet,一个混合深度学习分类器,以提高分类准确性和结肠癌检测中的计算效率.
• 改进结肠癌的早期诊断,使用对组织病理图像的自动化分析.

主要方法:

• 使用Vahadane染色规范化来进行强大的图像预处理.
• 采用流域细分来精确分离组织组件.
• 实施了团队工作优化算法 (TOA) 进行最佳的功能选择,减少冗余.
• 开发了NalexNet,这是一个混合深度学习模型,包含卷积层和专门的细胞,用于高效的特征提取.

主要成果:

• 在结肠癌分类中,NalexNet 实现了 99.9% 的精度和 99.5% 的准确性.
• 与现有的最先进的方法相比,拟议的模型表现出优越的性能.
• 混合深度学习方法在计算上被证明是高效的.

结论:

• 纳莱克斯网提供了一个高度准确和高效的自动化系统,用于从组织病理图像进行结肠癌分类.
• 开发的模型具有很强的临床实施潜力,有助于病理学家在早期和精确的诊断.
• 这项研究有助于推进用于瘤诊断的AI驱动工具.