通过对肺癌细胞系进行预训练,为人类肺癌建立一个高精度的循环瘤细胞图像识别系统

科学领域:

• 在瘤学瘤学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 循环瘤细胞 (CTC) 是癌症预后和治疗评估的关键生物标志物.
• 目前的CTC检测方法,如微流体CTC芯片系统,需要手动分析,导致潜在的错误和延误.
• 使用机器学习自动化CTC识别是可取的,但由于临床培训数据的稀缺性而受到挑战.

研究的目的:

• 建立基于人工智能 (AI) 的高精度系统,用于自动循环瘤细胞 (CTC) 识别.
• 克服临床数据不足的局限性,以训练强大的CTC图像识别模型.
• 通过人工智能驱动的自动化增强CTC检测的临床适用性.

主要方法:

• 开发了一个利用卷积神经网络 (CNN) 的AI系统.
• 员工通过预训练CNN模型对肺癌细胞系图像进行转移学习.
• 使用有限的临床CTC图像集微调预训练模型以提高准确性.

主要成果:

• 转移学习显著提高了CTC分类准确度,平均达到99.51% (与没有预训练的96.96%相比).
• 人工智能系统甚至在最小的临床训练数据 (仅有17张图像) 中也表现出了显著的有效性.
• 在有限的临床数据 (p < 0.05) 中,可以实现统计学上显著的准确性改进.

结论:

• 预训练人工智能模型与癌症细胞系图像使得快速和高度准确的自动CTC识别.
• 这种方法有效地解决了AI驱动的癌症诊断中临床数据有限的挑战.
• 开发的AI系统具有显著的潜力,可以增强各种癌症诊断工作流程.