事实:使用质谱仪评估癌症组织边缘的基础模型

科学领域:

• 在瘤学瘤学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 准确地分类手术组织边缘对于彻底去除癌症至关重要.
• 快速蒸发电离质谱 (REIMS) 提供实时的手术内边缘评估,但需要机器学习来进行光谱数据分析.
• 在手术环境中,有限的标记数据对开发有效的机器学习模型构成重大挑战.

研究的目的:

• 开发专门用于快速蒸发电离质谱 (REIMS) 数据的第一个基础模型,以应对有限的标记样本的挑战.
• 通过新型机器学习方法推进实时外科手术边缘评估能力.
• 在癌症手术中提高手术内组织边缘分类的准确性.

主要方法:

• 拟议的FACT (评估癌症组织边缘的基础模型),是对文本音频基础模型的调整.
• 采用了监督的对比方法,用于预训练基础模型的三倍损失.
• 进行了废除研究,将FACT的性能与其他模型和预训练策略进行比较.

主要成果:

• 实现了最先进的分类性能,接收器操作特征曲线 (AUROC) 下的面积为82.4%±0.8%.
• 与自我监督,半监督和其他基线模型相比,证明了拟议的预训练方法和骨干的优越性.
• 显著改善了REIMS数据分析的分类性能.

结论:

• 基础模型,当与新方法进行调整和预训练时,即使使用有限的标记示例,也可以有效地对REIMS数据进行分类.
• 验证了基础模型的可行性,以提高实时手术利率评估.
• 强调了这种方法在数据稀缺的临床环境中的潜力,以改善癌症手术的结果.