使用显微镜图像和集成深度学习架构,对肺癌亚型细胞进行自动分类

科学领域:

• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 由于细微的细胞形态差异,早期肺癌检测仍然具有挑战性.
• 精确的肺癌亚型分类对于有效的治疗计划至关重要.

研究的目的:

• 开发和验证一种混合的深度学习框架,用于在细胞水平上早期检测肺癌.
• 用显微镜细胞图像提高肺癌亚型分类的准确性和效率.

主要方法:

• 开发了一个结合ResNet-50和Attention U-Net的深度学习框架.
• 采用了包括CLAHE,中位过和Otsu值在内的全面图像处理管道.
• 使用了4 650张肺细胞图像的平衡数据集,包括三个亚型的肺细胞图像,并进行了广泛的数据增强.

主要成果:

• 该模型在持有测试套件上实现了99.85%的整体准确性.
• 精度,回忆和F1分数在所有亚型,特别是神经内分泌癌中超过0.99.
• 五次交叉验证证实了高性能,平均准确率为99.69% ± 0.16%.

结论:

• 混合型深度学习框架在单细胞肺癌检测方面表现出极高的准确性和一致性.
• 这种方法促进了临床环境中的超早期诊断和个性化治疗策略.
• 这项研究强调了人工智能在细胞水平上彻底改变肺癌诊断的潜力.