基于深度学习的分类乳腺微化在乳房镜中的良性和恶性乳腺微化

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 机器学习用于诊断.

背景情况:

• 精确的分类乳房微化是有效的乳腺癌查至关重要.
• 深度学习模型,特别是卷积神经网络 (CNN),显示出希望,但需要对不同架构进行比较分析.
• 现有的研究缺乏对微化分类的先进CNN架构进行系统的比较.

研究的目的:

• 系统地比较ResNet和EfficientNet架构的性能,用于分类乳房影像中的恶性与良性微化.
• 评估不同深度学习模型的分类准确性,AUC,F1得分和推断时间之间的权衡.
• 确定最佳的深度学习模型,以集成到乳腺癌查工作流程中.

主要方法:

• 一个五倍交叉验证框架被应用到3,674个乳腺镜片.
• 两个ResNet变体 (ResNet-50,ResNet-101) 和五个EfficientNet模型 (B0-B4) 进行了评估.
• 使用准确度,AUC和加权F1得分来评估性能,统计学意义通过双对Wilcoxon签名等级测试来确定.

主要成果:

• 所有的EfficientNet模型在F1得分 (p <0.05) 中显著优于ResNet变体.
• EfficientNet-B3实现了最高的指标 (准确率为86.9%,AUC为0.998,F1为0.869),尽管EfficientNets内部的差异在统计学上并不显著.
• 与其他模型相比,EfficientNet-B0显示了可比性能,与其他模型相比,推断时间明显更快.

结论:

• 与ResNet架构相比,EfficientNet模型在乳房微化分类方面提供了更高的性能.
• EfficientNet-B0提供了高精度和计算效率的良好平衡,使其适合于现实世界的诊断应用.
• 建议使用轻量级的EfficientNet变体来整合到临床乳腺癌查工作流程中.