组织病理图像分析和增强的诊断准确性可解释性用于口腔癌检测
V P Gladis Pushparathi1, Sylaja Vallee NarayanS R2, Pratheeba R S3
1Department of Computer Science and Engineering, R.M.K. College of Engineering and Technology, R.S.M. Nagar, Puduvoyal, Thiruvalur Dist, Tamil Nadu, India.
概括
这项研究引入了一个深度学习模型,用于使用组织病理学图像对口腔癌 (OC) 进行分类. 该模型达到99.54%的准确性,改善了早期检测并减少了诊断错误.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
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确医学至关重要.
- 目前的诊断方法在准确性和解释性方面面临挑战,可能导致治疗延迟.
- 深度学习 (DL) 提供了对组织病理图像进行自动化分析的潜力.
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.
- 改善诊断决策和OC检测中的模型解释性.
- 为了应对诸如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:
- 组织病理学图像经过Vahadane 3染色正常化和流域细分进行预处理.
- 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分类器利用基于特征的输入,优化计算效率和训练时间.
- 能够解释的人工智能 (XAI) 技术被整合在一起,以提高可解释性.
主要成果:
- 拟议的DL模型在口腔癌组织病理学图像上实现了99.54%的分类准确度.
- 与DenseNet201和VGG10相比,该模型显示出更高的精度和可靠性.
- 该方法有效地处理了不平衡的数据集,并提供了可解释的预测.
结论:
- 开发的DL模型为口腔癌的分类提供了一个高度准确和可靠的方法.
- 瓦哈丹正常化,WFS和XAI的整合解决了组织病理学分析中的关键挑战.
- 该模型的效率和可解释性支持精确的OC早期检测,可能改善治疗结果.
