基于电阻的分类,用于体内检测口腔癌
概括
机器学习算法使用电阻测量在手术期间准确识别口腔癌组织. 这项技术有助于外科医生实现完整的瘤切除和负边缘,改善患者的治疗结果.
科学领域:
- 生物医学工程 生物医学工程
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 口腔癌手术在区分癌症和健康组织方面面临挑战,影响完全切除和负边缘.
- 术内电阻 (IE) 装置为实时组织分类提供了潜在的解决方案.
- 机器学习 (ML) 算法的进步可以提高基于IE的癌症检测的准确性和速度.
研究的目的:
- 评估各种ML算法在识别口腔癌组织样本方面的性能.
- 评估IE测量与ML相结合的疗效,以评估手术内边际.
- 为了比较不同组织类型的二进制和多类分类性能.
主要方法:
- 在手术期间,从健康的,良性,失生性和癌性口腔组织中收集了手术内IE测量.
- 应用了几种ML算法来分析IE数据用于组织分类.
- 用曲线下的面积 (AUC) 度量来评估性能,用于二进制和多类设置.
主要成果:
- 在对癌症病变的二进制分类中实现了高精度,AUC达到0.92.2.
- 在所有组织类型的多类分类表现中,AUC值为0.81.
- 这项研究表明了ML增强的IE测量的潜力,用于手术内检测口腔癌.
结论:
- ML算法在使用手术内IE测量准确识别口腔癌组织方面显示出显著的希望.
- 这种方法可以帮助外科医生实现负边缘和完全切除瘤.
- 为了临床应用,需要进一步优化和探索额外的ML模型.
