一个增强的深度学习模型,用于从基因病理图像准确地分类卵巢癌

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 医疗保健中的人工智能

背景情况:

• 卵巢癌是一个重大的全球健康问题,高死亡率和延迟诊断导致患者的治疗结果不佳.
• 全球每年新发病人数超过314,000人,死亡人数为207,000人,这突显了改善诊断工具的迫切需要.
• 准确及时分类卵巢癌亚型对于有效的治疗计划和预后至关重要.

研究的目的:

• 介绍和评估一个新的模型,OvCan-FIND,用于卵巢癌的分类.
• 将拟议的OvCan-FIND模型的性能与各种最先进的卷积神经网络 (CNN) 架构进行比较.
• 通过先进的计算方法提高卵巢癌诊断的准确性和效率.

主要方法:

• 开发用于卵巢癌分类的OvCan-FIND模型.
• 利用卵巢癌图像数据集,包括清细胞,子宫内膜,粘菌,血清和非癌样本.
• 对已建立的CNN模型进行比较分析,包括Inception V3,EfficientNet变体,ResNet152V2,MobileNet,VGG16,VGG19和Xception.

主要成果:

• 拟议的OvCan-FIND模型实现了99.74%的优异分类准确度.
• 与所有评估的基线CNN模型相比,OvCan-FIND表现明显更好.
• 该模型有效地区分了各种卵巢癌亚型和非癌样本.

结论:

• OvCan-FIND 模型代表了卵巢癌分类准确性的重大进步.
• 这种人工智能驱动的方法显示了改善早期检测和诊断精度的巨大潜力.
• 增强的诊断能力可以带来更好的患者管理和改善卵巢癌患者的整体结果.