在光学显微镜中基于机器学习的状细胞癌的多类分类和分级

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 在瘤学瘤学.

背景情况:

• 组织病理组织分类对于疾病诊断和治疗至关重要.
• 手动分类状细胞癌 (SCC) 是耗时的,需要专家病理学家.

研究的目的:

• 开发和评估高效的机器学习 (ML) 和深度学习 (DL) 模型,用于自动化SCC基因病理图像分析.
• 为了比较各种ML模型和SCC分级CNN的性能.

主要方法:

• 使用离散波形变换,灰色水平共发生矩阵和直方图分析提取360特征.
• 使用学生的t测试选择了114个关键特征.
• 训练了五个ML模型 (SVM,Naïve Bayes,决策树,KNN,神经网络),具有5,7和10倍的交叉验证.
• 训练了一个卷积神经网络 (CNN) 用于自动分类.

主要成果:

• 具有七倍交叉验证的k-最近邻居 (KNN) ML模型实现了98%的准确性.
• 卷积神经网络 (CNN) 模型在自动化SCC分类中实现了98.23%的准确性.
• 特性选择显著提高了模型的效率和准确性.

结论:

• 将特征分析的ML与可解释的DL模型相结合,为准确和高效的SCC分级提供了一条途径.
• 使用ML和DL模型进行自动化分析可以减少对手工组织病理学评估的依赖.
• 这种方法有可能改善病理学诊断工作流程.