深度学习用于在组织病理图像中早期检测侵入性导管癌:转移学习的卷积神经网络方法
Naga Shreya Chilumukuru1, Pragya Priyadarshini1, Yawo Ezunkpe2
1College of Science, San Jose State University, San Jose, CA, United States.
JMIR formative research
|August 21, 2025
概括
这项研究开发了一个卷积神经网络 (CNN),用于在组织病理图像中早期检测侵入性导管癌 (IDC). 人工智能模型实现了90%的准确性,为早期乳腺癌诊断提供了可靠的工具.
科学领域:
- 医学成像
- 人工智能
- 计算病理学
背景情况:
- 侵袭性导管癌 (IDC) 是最常见的乳腺癌亚型,导致全球显著的死亡率.
- 早期发现IDC对于改善患者的治疗结果和生存率至关重要.
- 手动组织病理检查是耗时的,主观的,容易出错,需要自动化解决方案.
研究的目的:
- 开发和验证卷积神经网络 (CNN) 模型,用于在组织病理图像中自动检测IDC.
- 评估CNN模型与早期乳腺癌诊断的传统诊断方法的性能.
- 为实践者提供这种人工智能工具的开源应用,特别是在欠发达地区.
主要方法:
- 采用了277524张公共组织病理图像的数据集,其中大多数是IDC阳性.
- 使用加权损失函数解决类失衡,并使用预训练的视觉几何组 (VGG) 架构进行转移学习.
- 预处理和规范化图像,应用数据增强,并将数据分成80%的训练和20%的测试集.
主要成果:
- 基本的CNN模型达到89%的准确度;然而,加权损失函数将准确度略降至86%.
- 数据增强没有提高性能.
- 使用预训练模型的转移学习有效地处理了类失衡,从而在测试组中获得了90%的准确性.
结论:
- 开发的基于CNN的模型证明了从组织病理图像中早期检测IDC的准确性和可靠性.
- 这种人工智能工具可以作为病理学家的有效助手, 帮助早期诊断乳腺癌并改善临床结果.
- 进一步的研究将专注于改进该模型的性能,并将其与其他诊断技术相结合,以提高临床效用.
