一个双功能框架用于使用人工智能增强诊断髓增殖性新生体亚型
Amna Bamaqa1, N S Labeeb1,2, Eman M El-Gendy3
1Department of Computer Science and Information, Applied College, Taibah University, Madinah 42353, Saudi Arabia.
Bioengineering (Basel, Switzerland)
|June 26, 2025
概括
这项研究引入了一种新的框架,通过结合手工制作和深度学习特征来诊断费城染色体阴性骨髓增殖新生瘤. 这种综合方法显著提高了对这些具有挑战性的血液癌症的分类准确性.
科学领域:
- 血液学 血液学 血液学
- 计算病理学计算病理学
- 机器学习 机器学习
背景情况:
- 费城染色体阴性 (Ph-阴性) 骨髓增殖性新生瘤 (MPNs) 像精髓血栓塞瘤,真多细胞体和原发性骨髓纤维化等,由于重叠的特征,造成了诊断挑战.
- 目前的诊断方法 (成像,组织病理学) 受到观察者之间的变化和主观性的影响,导致诊断延迟.
研究的目的:
- 开发和验证一个新的计算框架,以改进Ph负MPN的分类.
- 整合手工制作和基于深度学习的功能,以提高诊断准确度.
主要方法:
- 开发了一个框架,将手工 (形态,纹理) 和自动 (深度学习) 的特征提取从基因病理图像中结合起来.
- 机器学习模型使用这些功能进行训练,并通过Optuna.com进行超参数优化.
- 使用精度,回忆,F1得分,准确性,特异性和加权平均值来评估性能.
主要成果:
- 综合框架实现了0.9969的高平均加权平均值,超过了个人手工制作 (0.9765) 和深度学习功能 (0.9686).
- 统计分析证实了分类结果的稳定性和可靠性.
- 综合方法在 Ph 阴性 MPNs 的分类方面表现优异.
结论:
- 将特定领域的知识 (手工制作的特征) 与数据驱动的方法 (深度学习) 结合起来,可显著提高Ph阴性MPN的诊断准确性.
- 这一综合框架提供了一个有前途的工具,以支持临床决策和改善患者的结果.
- 需要进一步的研究来解决诸如特征分布假设等挑战.
