微调模型用于肠直肠癌的组织病理学分类
Houda Saif ALGhafri1, Chia S Lim2
1Department of Information Technology, College of Computing and Information Sciences, University of Technology and Applied Sciences, Muscat 133, Oman.
Diagnostics (Basel, Switzerland)
|August 14, 2025
概括
这项研究使用微调深度学习模型增强了结直肠癌的分类. 转移学习策略显著提高了图像分析的准确性和概括性.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 瘤学中的深度学习
背景情况:
- 准确的结直肠癌 (CRC) 诊断依赖于组织病理学图像分析.
- 提高自动化CRC分类的准确性和通用性对于临床实践至关重要.
研究的目的:
- 设计和评估用于CRC的转移学习策略. 基因病理图像分类.
- 根据它们的独特特征微调多个预训练的卷积神经网络 (CNN) 架构.
- 提高深度学习模型在CRC检测中的诊断潜力.
主要方法:
- 拟议的CRCHistoDense,CRCHistoIncep和CRCHistoXcep模型,在不同深度进行算法微调.
- 在专业和多个数据集 (10,613张图像) 上使用预训练模型进行应用转移学习.
- 集成的Grad-CAM用于视觉解释,以验证模型决策并提高透明度.
主要成果:
- 实现了高平均测试准确度:CRCHistoDense (99.34%),CRCHistoIncep (99.48%) 和CRCHistoXcep (99.45%). 这两种测试都具有很高的准确度.
- 在各种数据集中展示了显著的性能改进,包括未见的数据.
- 统计测试 (t-测试,ANOVA,Kruskal-Wallis) 证实了改善的意义 (p < 0.05).
结论:
- 根据其特征微调CNN架构显著提高CRC分类性能.
- 拟议的转移学习策略提高了图像分析的准确性和概括性.
- 这些发现强调了深度学习模型在推进CRC诊断方面的潜力.
