乳腺癌亚型的多类分类使用resnet架构对基因病理图像

科学领域:

• 癌症学
• 医学成像
• 人工智能

背景情况:

• 乳腺癌的诊断依赖于组织病理学,
• 准确的乳腺癌亚型分类对于有效的治疗和患者的结果至关重要.
• 现有的深度学习模型通常侧重于二进制分类,限制亚型的分化.

研究的目的:

• 开发和评估一个深度学习框架,用于对八种乳腺癌细胞病理亚型进行多类分类.
• 为了比较不同ResNet架构 (ResNet-18,ResNet-34,ResNet-50) 在此任务中的性能.
• 评估转移学习和数据增强在提高分类准确性的有效性.

主要方法:

• 使用卷积神经网络 (CNN),特别是ResNet架构 (ResNet-18,ResNet-34,ResNet-50),在ImageNet上进行预训练.
• 实施了广泛的数据增强技术,以提高不同放大度的模型稳定性.
• 进行多类分类,以区分四种良性和四种恶性乳腺癌亚型.

主要成果:

• ResNet-50表现出卓越的性能,最高准确率达到了92. 42%.
• 该模型获得了99.86%的接收器运行特征曲线下的面积 (AUC-ROC) 和98.61%的平均特异性.
• 该框架成功捕获了细粒度的组织病理特征,以准确地分类亚型.

结论:

• 深度学习,特别是具有转移学习的CNN,为准确的多类乳腺癌亚型分类提供了强大的工具.
• 通过减少主观性和提高诊断效率, 拟议的框架显著改善了传统方法.
• 这些发现支持人工智能驱动的基因病理分析对乳腺癌诊断的临床实用性.