临床导向的等级机器学习框架用于早期瘤检测和恶性亚型分类
1Department of Computer Science, College of Computer Science and Engineering, Taibah University, Yanbu 40292, Saudi Arabia.
概括
这项研究引入了一个人工智能框架,用于从CT扫描中检测瘤,达到高达98.29%的准确性. 层次方法提供了一个强大的,可解释的工具,用于改善临床诊断和患者的结果.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 瘤,包括细胞癌 (RCC),对健康构成重大风险,晚诊导致严重后果.
- 目前用于瘤的诊断方法受到人为错误,变化和延迟的影响,这凸显了对自动化解决方案的需求.
- 早期和准确的瘤检测对于有效的治疗和改善患者存活率至关重要.
研究的目的:
- 开发和验证一个层次化的,人工智能驱动的框架,用于从CT扫描中早期检测和精确分类脏瘤.
- 与传统方法相比,提高诊断准确性和可复制性.
- 提供一种临床上可行的工具,用于整合到现有的诊断工作流程中.
主要方法:
- 一个分层的人工智能框架,使用专门的编码器 (RAD-DINO-MAIRA-2) 来从CT扫描中提取特征.
- 在不同的诊断级别使用多个机器学习分类器来准确分类瘤.
- 在25个独立试验中使用基准脏瘤数据集进行严格的验证.
主要成果:
- 人工智能框架在瘤检测和分类方面实现了98.29%的最大精度和94.72%的平均精度.
- 斯过程和MLP分类器在瘤类型和恶性亚型分化方面表现出了完美的表现.
- 层次方法的表现优于传统的深度学习管道,对数据集可变性的敏感性降低.
结论:
- 拟议的AI框架为CT扫描的脏瘤诊断提供了一个强大,可解释和准确的解决方案.
- 这种人工智能驱动的方法有可能在临床实践中显著提高诊断效率和患者的结果.
- 层次分类策略为将先进的人工智能工具集成到常规癌症诊断中提供了临床可行的途径.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
7.3K
