有效的SMOTE提升与深度学习用于全幻灯片图像中的IDC识别
Mudhafar Jalil Jassim Ghrabat1,2, Arkan A Ghaib3, Auhood Al-Hossenat4
1University of Information Technology and Communications (UOITC), Baghdad, Iraq.
PloS one
|September 3, 2025
概括
一个基于SMOTE的新型卷积神经网络 (CNN) 准确地检测乳腺癌组织病理图像中的侵入性管道癌 (IDC). 这种深度学习方法对改善乳腺癌早期诊断和治疗规划具有显著的前景.
科学领域:
- 癌症学
- 计算病理学
- 医学的人工智能
背景情况:
- 乳腺癌是癌症死亡的主要原因,
- 乳腺癌的准确分类,特别是核异型,由于幻灯片的准备变化和复杂的组织形态,具有挑战性.
- 通过精确的预测和量身定制的治疗策略,计算机辅助检测和诊断有可能改善患者的结果.
研究的目的:
- 探索深度学习在乳腺癌组织病理图像中提取特征的有效性.
- 引入和评估基于SMOTE的新型卷积神经网络 (CNN),用于在整个幻灯片图像中检测侵入性导管癌 (IDC).
- 将拟议模型的性能与已有的CNN架构进行比较.
主要方法:
- 基于SMOTE的卷积神经网络 (SMO_CNN) 模型的开发.
- 使用了一组包含162个侵袭性管道癌 (IDC) 患者样本的数据集,分为训练 (113张图像) 和测试 (49张图像) 集.
- 每个模型的单独测试,包括CNN,VGG19,ResNet50和建议的SMO_CNN.
主要成果:
- 开发的SMO_CNN模型获得了高准确性,测试98.95%,培训数据集99.20%.
- 在检测受IDC影响的组织区域方面,SMO_CNN模型表现优于标准CNN,VGG19和ResNet50模型.
- 证明该模型能够准确识别恶性组织区域.
结论:
- 拟议的SMO_CNN模型在组织病理图像中检测侵袭性管道癌 (IDC) 的性能优异.
- 这种深度学习方法为提高乳腺癌诊断的准确性和效率提供了有希望的工具.
- 这些发现表明改善乳腺癌治疗计划和患者管理的巨大潜力.
