通过CBAM-PPM优化ResNet50进行增强的FISH图像分类,用于精确的细胞遗传诊断
Zhiling Li1,2,3, Wenjia Li1,2,3, Yang Zhou1,2,3
1College of Computer Science and Technology, Changchun University, Changchun 130000, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一个智能模型来分类光现场杂交 (FISH) 图像,提高诊断准确度. 人工智能模型提高了分析精准医学复杂遗传数据的效率和客观性.
科学领域:
- 计算生物学是一种计算生物学.
- 医学成像分析分析 医学成像分析
- 遗传学和基因组学 遗传学和基因组学
背景情况:
- 手动解释光在现场杂交 (FISH) 图像是主观和低效的.
- 准确的FISH图像分析对于诊断遗传疾病和瘤至关重要.
研究的目的:
- 开发一个智能FISH图像分类模型,以克服手动解释的局限性.
- 为了提高FISH图像分析的准确性和效率,用于临床应用.
主要方法:
- 一个改进的ResNet50架构,包含一个卷积块注意模块 (CBAM) 和金字塔聚合模块 (PPM).
- 优化了剩余区块快捷连接,转移学习和对类不平衡的焦点损失功能.
- 在12,000张临床FISH图像的数据集上进行实验验证.
主要成果:
- 拟议的模型实现了92.4%的整体分类准确度,比标准ResNet50.9%的改进.
- 复杂类别如转移和合并的召回率超过了90.7%.
- 每个样本的推理时间为22.3毫秒,符合临床实时要求.
结论:
- 智能FISH图像分类模型为自动解释提供了一个高效和实用的解决方案.
- 这种人工智能驱动的方法对精确辅助瘤和遗传疾病的诊断具有重大潜力.
