通过对基因病理图像进行深度转移学习来提高淋巴瘤癌症检测

科学领域:

• 人工智能在病理学中的应用
• 计算病理学计算病理学
• 医学图像分析 医学图像分析

背景情况:

• 淋巴瘤的组织病理学诊断是具有挑战性的,因为罕见的亚型,重叠的形态和瘤差异化.
• 准确和早期检测淋巴瘤亚型,如慢性淋巴细胞白血病 (CLL) 和状淋巴瘤 (FL) 对于有效的患者治疗至关重要.

研究的目的:

• 开发和评估基于人工智能的系统,用于使用深度转移学习和模拟联合学习对慢性淋巴细胞白血病 (CLL) 和小淋巴瘤 (FL) 进行分类.
• 评估各种深度学习模型在分析淋巴瘤亚型的组织病理图像方面的性能.

主要方法:

• 一个包含4500张基因病理图像的数据集被用来训练和评估六个深度学习模型:VGG-16,VGG-19,MobileNetV2,ResNet50,DenseNet161和Inception V3.
• 模型采用微调的卷积层用于特征提取和端到端分类管道. 在数据值 (0.05-0.2) 和模拟联合学习环境中评估了绩效.

主要成果:

• 在使用深度学习的测试阶段,Inception V3实现了最高准确率 (97.5%) 和最低RMSE (0.393).
• 在不同的数据值中,DenseNet161表现出最佳的整体分类性能.
• 在模拟的联合学习设置中,Inception V3的表现也超过了其他模型,这表明在分散的场景中具有稳定性.

结论:

• 深度转移学习对于早期和准确的淋巴瘤检测是有效的,Inception V3和DenseNet161表现出强的表现.
• 人工智能系统显示了改善淋巴瘤组织病理学诊断的巨大潜力.
• 需要进一步的研究,以探索联合学习在真实世界的分布式环境中对淋巴瘤分类的充分适用性.