深度学习模型用于淋巴瘤的图像分类:一项针对狗的试点研究
Rintaro Misaka1, Tomohiko Yoshida2, Michihito Tagawa3
1Department of Veterinary Science, Obihiro University of Agriculture and Veterinary Medicine.
The Journal of veterinary medical science
|December 17, 2025
概括
深度学习模型使用细针吸收图像准确地区分犬类淋巴瘤和反应性淋巴细胞增生. 合并模型的准确性超过80%,证明了AI的准确性.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 人工智能的人工智能
- 图像分析 图像分析
背景情况:
- 诊断犬类淋巴瘤可能具有挑战性,通常需要与反应性淋巴细胞增生 (RLH) 进行区分.
- 精细针吸收 (FNA) 是一种常见的诊断工具,但图像解释需要专业知识.
研究的目的:
- 开发和评估深度学习模型,以使用FNA图像区分犬类淋巴瘤和RLH.
- 为了比较视觉变压器 (ViT) 和Inception-v3模型的性能,包括组合方法.
主要方法:
- 开发了四种深度学习模型:视觉转换器 (ViT),Inception-v3,以及两个组合模型 (MEAN和MAX) 结合ViT和Inception-v3.
- 使用了2290张犬淋巴瘤FNA图像和871张RLHFNA图像的数据集.
- 为了进行可靠的模型评估,准备了三个不同的培训和测试数据集.
主要成果:
- 在所有数据集中,Inception-v3和两个整体模型实现了高性能指标 (>80%的准确性,回忆和AUC).
- ViT模型显示高精度 (>0.85),但在其他指标上没有达到可比性能.
- 深度学习模型展示了从FNA图像分类犬类淋巴瘤的巨大潜力.
结论:
- 深度学习,特别是组合方法和Inception-v3,显示出从FNA图像中准确诊断犬类淋巴瘤的巨大潜力.
- 这些基于人工智能的方法可以帮助兽医区分淋巴瘤和RLH,提高诊断效率.
- 进一步的研究可以探索更大的数据集和多样化的模型架构,以提高诊断能力.
