使用深度学习探索特征选择,用于使用红外光谱成像进行脏组织微阵列分类
Zachary Caterer1, Jordan Langlois2, Connor McKeown2
1Interdisciplinary Quantitative Biology PhD Program, Biofrontier's Institute, University of Colorado Boulder, Boulder, CO 80303, USA.
Bioengineering (Basel, Switzerland)
|April 26, 2025
概括
这项研究引入了使用红外成像的深度学习框架,以准确区分罕见的癌 (染色恐惧性细胞癌) 和良性瘤 (细胞瘤),提高诊断速度和准确性.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 计算病理学计算病理学
- 光谱成像技术的成像
背景情况:
- 脏和脏盆腔癌导致显著的死亡率,细胞癌 (RCC) 是最常见的类型.
- 染色恐惧性RCC诊断是具有挑战性的,因为它与良性瘤细胞瘤的重叠特征.
- 目前的活检方法在区分这些瘤方面存在局限性.
研究的目的:
- 开发一个深度学习框架,使用红外 (IR) 光谱成像数据对瘤进行自动分类.
- 提高分辨染色恐惧症RCC与细胞瘤的准确性和效率.
- 为高通量,实时红外成像诊断创建一个潜在的工具.
主要方法:
- 在瘤组织微阵列 (TMA) 的IR数据集上使用深度学习框架.
- 采用特征选择算法来减少数据维度和优化光谱分析.
- 实现了深度学习分类模型,用于自动化瘤识别.
主要成果:
- 在验证数据上获得了91.3%的分类准确度.
- 证明使用仅13.6%的红外波长可以将训练时间减少21%,同时保持高精度.
- 开发了对脏瘤具有高预测能力的分类管道.
结论:
- 拟议的深度学习框架与特征选择集成,为脏瘤分类提供了强大的工具.
- 这种方法显示了将其集成到实时红外成像系统中的潜力,以提高诊断能力.
- 精确区分染色恐惧性RCC和细胞瘤可以显著影响患者的治疗结果和治疗策略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.1K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.6K
