合体学习模型:一种新的技术来检测输液细胞学中的恶性病变
Nupur Pradhan1, Saumya Sahu2, Pranab Dey3
1Department of Cytology, Post Graduate Institute of Medical Education and Research, Chandigarh, India.
概括
这项研究开发了一种集体深度学习模型,用于在输出细胞学中检测恶性瘤,实现高精度. 这种方法显示了作为未来的工具在细胞学样本癌症诊断的希望.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能.
- 细胞病理学 细胞病理学
背景情况:
- 输液细胞学对于诊断各种疾病,包括癌症至关重要.
- 在输出细胞学中准确检测恶性瘤可能具有挑战性.
- 深度学习为提高诊断准确性提供了潜力.
研究的目的:
- 开发和评估一个集体学习模型,用于检测流血细胞学中的恶性瘤.
- 将多个转移学习架构结合起来,以提高诊断性能.
主要方法:
- 我们使用了一个集成DenseNet121,Xception,ResNet50,MobileNetV2,InceptionV3和VGG16的组合模型.
- 分析了110例输液细胞学病例 (59例良性,51例恶性) 和755张微图的数据集.
- 使用软投票技术,应用了微调最后层的转移学习.
主要成果:
- 整体模型实现了高性能指标:灵敏度 (0.92),特异性 (0.89),准确度 (0.90),精度 (0.89),负预测值 (0.92),F1得分 (0.91),以及AUROC (0.96).
结论:
- 这项研究首次将六个模型集团深度学习方法在输出细胞学中的应用.
- 开发的框架显示出出色的诊断性能.
- 这种组合模型可能成为在输出细胞学中检测癌症的有价值的未来工具.
