有效的深度学习模型用于分类肺癌图像,使用规范化染色不可知特征方法和FastAI-2

科学领域:

• 计算病理学计算病理学
• 医学成像分析分析 医学成像分析
• 人工智能在瘤学中的应用

背景情况:

• 肺癌是全球死亡的主要原因之一.
• 准确的组织学分类对于有效的治疗和患者的治疗结果至关重要.
• 目前的诊断依赖于组织样本的手动分析.

研究的目的:

• 为非小细胞肺癌 (NSCLC) 组织学分类开发计算机辅助诊断 (CADx) 系统.
• 利用深度学习和人工智能提高诊断准确性和效率.
• 为了评估修改后的ResNet-34架构的性能.

主要方法:

• 使用了FastAI-2框架与修改后的ResNet-34深度学习架构.
• 在LAB色彩空间中实现了染色正常化,以实现一致的色彩表示.
• 在LC25000数据集上训练模型,并将性能与VGG11和SqueezeNet1_1.1.1进行比较.

主要成果:

• 拟议的修改后的ResNet-34模型在分类肺癌组织学方面实现了99.78%的准确性.
• 证明了卓越的性能和网络深度和计算效率之间的最佳平衡.
• FastAI-2框架促进了模型的快速融合,并缩短了培训时间.

结论:

• 使用人工智能的自动化组织病理学分类显示了肺癌诊断的高有效性.
• 人工智能驱动的工具可以通过提高准确性和减少工作量来显著帮助病理学家.
• 开发的系统具有改善瘤学临床决策的潜力.