优化恶性瘤预测:对EBUS图像上的转移学习技术进行比较分析

科学领域:

• 医学成像分析 医学成像分析
• 机器学习在诊断中的应用
• 胸部医学 胸部医学

背景情况:

• 在使用机器学习的内支部超声波 (EBUS) 图像分析中提高诊断准确性仍然是一个重大挑战.
• 精确预测淋巴结恶性瘤对于胸部瘤学的有效患者管理至关重要.

研究的目的:

• 从EBUS图像中确定最有效的转移学习模型来预测淋巴结恶性瘤.
• 为此诊断任务评估各种预训练的卷积神经网络 (CNN) 模型的性能.

主要方法:

• 在2020-2023年期间收集的EBUS图像的回顾性分析.
• 对八个预训练CNN模型进行评估:VGG,ResNet,InceptionNet,Xception,MobileNet,DenseNet,NasNet和EfficientNet. 这八个模型均为预训练CNN模型.
• 使用曲线下面面积 (AUC) 和准确度等指标评估模型性能,重点是识别过拟合.

主要成果:

• VGG19,EfficientNetV2L和DenseNet201在恶性瘤预测方面表现最好,AUC分别为0.96,0.96和0.95.
• 这些表现最好的模型表现出一致的训练和测试准确性,表明成功的概括没有过拟合.
• 相比之下,ResNet152V2,Xception和NasNet表现较差 (AUC为0.88-0.84) 和过拟合的迹象,而MobileNetV2 (AUC为0.50) 无法区分良性和恶性病例.

结论:

• 应用到EBUS图像分析的转移学习对提高胸部医学诊断准确性有很大的希望.
• 该研究强调了特定的CNN模型,这些模型在预测淋巴结恶性病症方面非常有效,特别是在肺癌诊断的背景下.
• 优化的机器学习模型可以显著帮助临床医生做出更准确和及时的诊断.