一个人工智能模型用于从组织病理学活检图像的早期乳腺癌分类

科学领域:

• 数字病理学数字病理学
• 人工智能在瘤学中的应用
• 医疗图像分析 医学图像分析

背景情况:

• 准确识别乳腺癌亚型对于治疗和患者的治疗结果至关重要.
• 目前用于组织学亚型的方法可能是侵入性的,并延迟治疗.
• 活检图像的组织病理学分析是乳腺癌诊断的基石.

研究的目的:

• 开发和评估一种深度学习模型,用于使用基因病理图像对乳腺癌亚型进行分类.
• 评估模型在区分良性和恶性瘤以及特定亚型方面的表现.
• 探索AI作为数字病理学的诊断支持工具的潜力.

主要方法:

• 开发了一个深度学习模型,利用DenseNet121骨干与多尺度特征融合.
• 该模型在公开可用的BreaKHis数据集上进行了训练和评估.
• 为了进行可靠的绩效评估,采用了五重交叉验证策略.

主要成果:

• 该模型在二元分类 (良性与恶性) 中实现了97.1%的准确性.
• 亚型分类的准确性在良性瘤中达到93.8%,恶性瘤中达到92.0%.
• 该模型有效地捕捉了多个抽象级别的形态特征.

结论:

• 拟议的深度学习模型在从基因病理图像分类乳腺癌亚型方面表现出高准确性.
• 这种人工智能驱动的方法显示了作为诊断支持工具的巨大潜力,增强了数字病理学工作流程.
• 该模型准确识别亚型的能力可以帮助指导治疗决策并改善患者的治疗结果.