使用CNN-GRU对胃腺瘤多和腺癌分类的高光谱成像分析
Xuzhe Wang1, Xiaoqing Yue1,2, Tianyi Hang1
1Nanjing University of Chinese Medicine, Nanjing, China.
Journal of biophotonics
|April 27, 2025
概括
这项研究引入了一种混合深度学习模型,用于使用超光谱成像来早期检测胃息肉和癌症. 该模型在分类胃病变方面显示出高精度,提高了诊断潜力.
科学领域:
- 胃肠病学 胃肠病学
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 早期检测胃腺瘤多和腺癌对于有效的患者治疗和改善结果至关重要.
- 传统的诊断方法在准确和快速识别早期胃病变方面存在局限性.
- 超光谱成像为组织特征提供了丰富的光谱信息,但需要先进的分析技术.
研究的目的:
- 开发和评估一种混合深度学习模型,用于从ex vivo胃组织中分类一维的高光谱数据.
- 提高胃腺瘤多和腺癌的早期识别.
- 解决胃病变分化中的常规诊断方法的局限性.
主要方法:
- 提出了一种混合模型,将卷积神经网络 (CNN) 和门式循环单位 (GRU) 结合起来.
- 该模型经过训练和测试,使用来自胃组织的单维高光谱数据进行训练和测试.
- 使用准确度,灵敏度,特异性和接收器操作特征 (ROC) 分析来评估性能.
主要成果:
- 混合CNN-GRU模型实现了86%的精度,88%的灵敏度和85%的特异性.
- 接收器操作特征分析显示曲线下的面积 (AUC) 为0.86,表明诊断性能强.
- 该模型在分类胃病变方面表现优于传统方法和其他基线模型.
结论:
- 拟议的混合CNN-GRU模型显示了对胃病变的准确和快速分化有很大的潜力.
- 将先进的机器学习技术与高光谱成像技术相结合,可以提高胃癌的早期诊断能力.
- 这种方法为改善临床诊断和患者管理策略提供了一个有前途的工具.
