组织病理图像分析和增强的诊断准确度可解释性用于口腔癌检测
V P Gladis Pushparathi1, S R Sylaja Vallee Narayan2, R S Pratheeba3
1Department of Computer Science and Engineering, R.M.K. College of Engineering and Technology, Tiruvallur District, Tamil Nadu, India.
Cancer investigation
|September 15, 2025
概括
这项研究引入了一个深度学习模型,用于从组织病理学图像进行口腔癌 (OC) 诊断. 该模型达到99.54%的准确性,提高了早期检测和治疗精度.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 从组织病理学的准确口腔癌 (OC) 诊断对于有效的治疗和精准医学至关重要.
- 深度学习 (DL) 提供了提高诊断准确性的潜力,但在解释性和阶级不平衡方面面临挑战.
- 当前的诊断方法可能会导致错误,影响患者的治疗结果.
研究的目的:
- 开发和验证一个DL模型,用于从基因病理图像增强口腔癌分类.
- 改善OC诊断中的解释性和决策过程.
- 为了应对阶级不平衡和计算复杂性的挑战,在图像分析中进行基因病理学分析.
主要方法:
- 组织病理学图像经历了颜色规范化 (Vahadane 三污点参数规范化) 和流域细分.
- 使用加权费舍尔得分 (WFS) 进行特征选择,以管理类不平衡.
- 一个U-Net分类器被调整使用基于特征的输入来减少复杂性,与可解释的人工智能 (XAI) 集成.
主要成果:
- 拟议的DL模型实现了高分类准确率99.54%.
- 与DenseNet201和VGG10相比,该模型显示出更高的精度和可靠性.
- 该方法有效地处理不平衡的数据集,并提供可解释性.
结论:
- 开发的DL模型显著提高了口腔癌诊断的准确性和可靠性.
- 集成先进的预处理,特征选择和XAI使该模型适合早期和精确的OC检测.
- 这种方法有可能减少诊断错误并改善患者治疗结果.
